L’école Unicorn a mis en place une exigence pour que les étudiants présentent des captures d’écran de leurs dialogues avec l’intelligence artificielle, afin de mieux comprendre leur interaction avec cette technologie. Cette approche vise à déterminer si les étudiants recherchent des explications ou se contentent de réponses complètes, rapporte 24brussels.
Les résultats de la récente Perspectives de l’éducation numérique 2026 préparée par l’Organisation de coopération et de développement économiques (OCDE) illustrent l’impact de l’intelligence artificielle sur la qualité de l’apprentissage et le fossé entre l’acquisition réelle de compétences et l’« illusion de compréhension ».
L’effet de béquille
Selon le rapport, une expérience impliquant près de mille lycéens en Turquie a révélé que ceux qui interagissaient avec le standard GPT-4 surperformaient leurs camarades n’ayant pas accès à l’IA de 48% lors des exercices en classe. Cependant, lorsqu’ils ont été testés sans manuels ni soutien d’intelligence artificielle, ce groupe a obtenu des résultats 17% inférieurs à ceux qui n’avaient pas accès à l’IA. Le groupe utilisant l’IA comme assistant de tutorat a obtenu des résultats similaires à ceux du groupe sans IA.
Les auteurs du rapport ont qualifié ce phénomène d’« effet de béquille », indiquant que bien que l’interaction avec l’IA standard puisse montrer un succès à travers l’amélioration des résultats d’exercice, les compétences sous-jacentes n’étaient pas réellement développées. La carence est devenue évidente lorsque les étudiants ont travaillé de manière autonome.
Dans le cours d’introduction à la physique de Harvard, les étudiants ayant appris avec un tuteur IA spécialement personnalisé ont considérablement amélioré leurs scores, doublant leurs résultats par rapport à l’enseignement en classe traditionnelle.
Ces deux expériences, bien qu’à court terme, soulignent que la simple présence de l’IA dans l’éducation ne garantit pas son efficacité. La manière dont elle est utilisée est d’une importance cruciale.
IA rapide et IA lente
Le chercheur Ronald Beghetto fait une distinction entre deux approches de l’utilisation de l’IA : « rapide » et « lente ». Dans la méthode « rapide », les utilisateurs copient des tâches dans un chat de l’IA et acceptent la première réponse polie qu’ils reçoivent, conduisant à une situation où élèves et enseignants risquent de devenir des « marionnettes numériques ».
En revanche, l’approche « lente » encourage les utilisateurs à d’abord articuler leurs pensées, à interagir avec les retours de l’IA comme s’ils parlaient à un pair, puis à revenir à leur travail, permettant ainsi réflexion et validation des informations fournies.
Ce processus est similaire au contraste entre la livraison de nourriture et la cuisine aux côtés d’un chef. La première est pratique mais n’enseigne pas de compétences, tandis que la seconde favorise l’apprentissage par l’interaction.
Comment fonctionne l’IA lente en pratique ? Plutôt que de fournir une réponse, elle agit comme un entraîneur personnel.
Par exemple, un étudiant peut demander à un chatbot IA d’améliorer un essai. Bien que l’IA puisse reformuler le contenu, une approche plus productive consisterait à lui demander d’identifier les domaines nécessitant un soutien, incitant ainsi l’étudiant à s’engager activement avec son texte.
Cette implication ressemble au « dialogue socratique », du nom du philosophe grec ancien Socrate, où l’IA pose des questions incitant les étudiants à évaluer leurs hypothèses et à identifier des erreurs. Un exemple pourrait impliquer de résoudre un problème mathématique étape par étape, l’IA guidant l’élève plutôt que de présenter la solution complète.
Il serait irréaliste d’attendre d’un étudiant qu’il demande proactivement à l’IA de s’abstenir de fournir des réponses. Les paramètres des tuteurs IA utilisés dans ces études étaient prédéterminés par les chercheurs et les éducateurs.
Les enseignants peuvent également configurer des outils d’IA pour leurs classes. De nombreuses applications permettent la création d’assistants sur mesure sans avoir besoin de compétences en programmation, garantissant que les méthodologies souhaitées sont cohérentes, par exemple en demandant aux étudiants de montrer d’abord leur tentative et de les guider à travers les erreurs avec des questions spécifiques.
Cette configuration fondamentale nécessite des tests approfondis sur des tâches concrètes. Dans l’expérience turque, les instructeurs ont également fourni au tuteur IA des solutions correctes et des erreurs typiques des élèves ainsi que des stratégies pour y faire face.
Cependant, il est essentiel d’éviter de transformer chaque interaction en un interrogatoire incessant. Lorsqu’un étudiant manque de compréhension, il doit d’abord recevoir des explications claires ou des exemples analogues avant de se concentrer à nouveau sur ses défis spécifiques. L’IA peut s’adapter au rythme de l’apprenant, permettant de revoir des concepts difficiles sans la pression sociale des dynamiques de classe.
Critères d’évaluation
Le processus plus lent exige un plus grand effort de la part des étudiants. Si un étudiant reçoit la même note pour l’utilisation de l’IA que pour un travail autonome, il est probable qu’il opte pour des raccourcis. Cela soulève des questions pour les écoles qui promeuvent une utilisation responsable de la technologie mais évaluent uniquement les résultats finaux.
Des ajustements aux critères d’évaluation sont nécessaires, afin que les notes reflètent les objectifs clairement communiqués aux étudiants au préalable. Par exemple, si un apprenant étudie des algorithmes de résolution de problèmes, sa première tentative devrait être évaluée indépendamment du résultat, tandis que les tâches d’édition se concentreraient sur le raisonnement derrière l’acceptation des suggestions de l’IA.
L’analyse des captures d’écran de dialogue soumises par les étudiants facilite de telles discussions. Bien que celles-ci ne confirment pas la maîtrise d’un sujet, des questions ciblées peuvent être posées concernant leur accord avec les suggestions de l’IA. Identifier des divergences illustre plus efficacement la compréhension d’un étudiant qu’une simple acceptation. Ainsi, je privilégierais évaluer le travail d’un étudiant où il identifie et corrige ses erreurs plutôt qu’une réponse impeccable qu’il ne peut justifier.
Les considérations temporelles sont critiques. Les écoles pourraient avoir besoin de réduire les tâches répétitives pour permettre des explorations plus complètes des concepts en classe.
Il serait injuste d’exiger des enseignants qu’ils engagent les élèves dans des discussions sur leur travail tout en maintenant les charges de travail existantes, risquant de créer un cycle où l’IA fait le lien entre étudiants et enseignants.
