Pipeline Colab reproductible qui ancre six dimensions de compétence en littératie de sécurité de l'IA dans des benchmarks publics et des microdonnées d'enquête, produisant des figures, des tableaux et des résultats reprenables.
Un pipeline d'analyse reproductible qui ancre les six dimensions de compétence de l'AI Security Literacy dans des benchmarks publics et des données d'enquête représentatives au niveau national. S'exécute dans Google Colab. Chaque artefact — cache de jeu de données, checkpoint de modèle, figure, table de résultats — est persisté sur Google Drive, et chaque étape est reprise possible.
L'IA est arrivée dans les écoles plus vite que toute recommandation sur la manière de l'utiliser en toute sécurité. On remet aux élèves des systèmes boîtes noires en attendant qu'ils devinent intuitivement ce qu'on peut attendre de ces systèmes. Les enseignants sont partagés entre l'adoption de l'IA et la crainte qu'elle inspire. Les districts rédigent des politiques d'usage acceptable pendant que les outils sous-jacents changent tous les quelques mois.
Les cadres de littératie existants apprennent aux élèves à comprendre et à utiliser l'IA. Les cadres de cybersécurité existants ont été écrits avant que les menaces propres à l'IA n'existent. Ni l'un ni l'autre ne traite l'opération sécurisée dans un environnement médié par l'IA comme une compétence à part entière — avec ses propres dimensions, sa propre progression développementale et ses propres compétences enseignables.
C'est cette compétence que définit AISL, à travers six dimensions couvrant l'ensemble de l'écosystème scolaire plutôt que les seuls élèves.
Un cadre de compétences que personne n'a testé contre des données n'est qu'une taxonomie. N'importe qui peut affirmer que les élèves devraient « reconnaître la manipulation » ou « calibrer la confiance ». La question plus difficile est de savoir si ces formulations désignent des phénomènes réels et mesurables — et, le cas échéant, ce que les mesures montrent réellement.
C'est à cela que sert ce pipeline. Il demande ce que les données publiques peuvent établir sur chaque dimension, et les réponses sont précises :
Chacun de ces points est une leçon que l'on peut faire parcourir à un apprenant avec de vrais modèles et de vraies données, ce qui est bien le but : le cadre est fait pour être enseigné, pas seulement cité.
Un pipeline peut produire des figures qui semblent correctes sans l'être : une courbe de robustesse issue d'un modèle qui n'a jamais été correctement entraîné, ou des résultats de benchmark rattachés aux mauvaises catégories parce que deux fichiers ont été joints par position de ligne. Ce sont les mêmes types de défaillance que la dimension la plus avancée du cadre apprend aux élèves à détecter.
Le pipeline est donc conçu pour les rendre structurellement difficiles : l'évaluation des attaques est conditionnée par un contrôle de cohérence sur la précision en conditions normales, les jointures se font sur le contenu plutôt que sur la position, les étapes bloquées s'annoncent au lieu de produire une sortie vide, l'échantillonnage est initialisé par graine, et chaque chiffre rapporté est écrit dans un fichier de résultats lisible par machine plutôt que retranscrit à la main. La reproductibilité ici n'est pas une question d'intendance — c'est le sujet même.
Le pipeline fonctionne en deux niveaux.
Le niveau 1 ancre les dimensions attitudinales à partir de micro-données d'enquêtes représentatives au niveau national que vous téléchargez vous-même sous inscription gratuite. Tant que les fichiers ne sont pas présents, ses étapes se marquent elles-mêmes comme skipped. Voir
Configuration du niveau 1.
Le niveau 2 ancre les dimensions techniques à partir de sources publiques. Aucune configuration nécessaire — ouvrez et exécutez. Chaque jeu de données se télécharge automatiquement.
| Dimension | Niveau 1 (enquêtes) | Niveau 2 (données publiques) | |
|---|---|---|---|
| D1 | Permission & Norms | RAND ATP Fall 2025, Pew ATP W142 | — |
| D2 | Data & Privacy Security | Pew ATP W152 | — |
| D3 | Threat & Manipulation Recognition | Pew ATP W152, W168 | RealToxicityPrompts, SMS Spam Collection, BBQ |
| D4 | Trust Calibration & Verification | Pew ATP W142, W152 | TruthfulQA + GPT-2 baseline, BBQ |
| D5 | Adversarial & Technical Understanding | — | CIFAR-10 + FGSM/PGD, 3 seeds |
| D6 | Disposition & Agency | RAND ATP Fall 2025, Pew ATP W152 | — |
Ouvrez AISL_analysis_poc.ipynb dans Colab et exécutez toutes les cellules de haut en bas.
Runtime > Change runtime type > GPU # optional; D5 training is ~10x faster
Runtime > Run all
Le premier lancement télécharge CIFAR-10 (~170 Mo), les corpus Hugging Face, GPT-2 et la SMS Spam Collection. Tous sont mis en cache sur Drive et ne sont jamais re-téléchargés. L'exécution peut être interrompue à tout moment — voir Reprendre une exécution.
Si vous ajoutez des fichiers d'enquête sur Drive pendant qu'une session Colab est ouverte, redémarrez la
session (Runtime > Restart session) avant de relancer : Colab ne voit pas toujours
les fichiers ajoutés après le montage de Drive.
Tout ce qui est persistant réside sous MyDrive/AISL_data/. Rien d'important n'est
écrit sur le disque éphémère de Colab.
AISL_data/
├── cache/
│ ├── hf/ # Hugging Face datasets and GPT-2
│ └── torch/ # CIFAR-10
├── checkpoints/
│ └── cifar10_cnn_seed{N}.pt # one per seed, written after every epoch, atomically
├── figures/ # 300-dpi JPGs
├── tables/ # CSV + JSON + TeX macro exports
├── logs/
│ └── status.json # per-stage completion record
└── microdata/
├── sms/ # SMS Spam Collection (downloaded automatically)
├── pew/ # <- you place the Pew ATP .sav files here
└── rand/ # <- you place the RAND ATP .dta file here