Un étudiant qui obtient une excellente réponse grâce à une IA générative a-t-il pour autant appris quelque chose ? La question paraît simple, mais elle est devenue centrale dans mes travaux de recherche cette année.
Dans une situation d'apprentissage classique, réussir une tâche complexe suppose de mobiliser soi-même les connaissances et les stratégies nécessaires à sa résolution. La qualité d'une production est alors, avec certaines limites, le reflet de ce que la personne comprend réellement. L'IA générative change cette équation : elle peut désormais fournir une explication, une analyse ou une solution de grande qualité sans que l'apprenant ait eu à réaliser lui-même l'ensemble du travail cognitif qui y mène.
C'est ce qu'on appelle parfois la décharge cognitive — déléguer à un outil externe des opérations qu'on aurait autrement dû faire soi-même. Ce n'est pas mauvais en soi : déléguer peut libérer des ressources pour se concentrer sur des tâches plus exigeantes. Le problème survient quand la délégation remplace précisément les opérations dont l'exercice est nécessaire pour apprendre.
Une étude récente illustre bien ce risque : auprès de près de 1 000 élèves en mathématiques, l'accès à GPT-4 augmentait clairement la performance pendant les exercices — mais les élèves ayant utilisé une version non encadrée de l'outil obtenaient ensuite de moins bons résultats que ceux n'ayant pas eu accès à l'IA du tout, une fois celle-ci retirée. Ajouter des mécanismes limitant la fourniture directe des solutions atténuait cet effet.
C'est le point de départ du projet que je lance actuellement : plutôt que de se demander si l'IA générative est « bonne » ou « mauvaise » pour l'apprentissage — un débat qui, à mon avis, ne mène nulle part — je m'intéresse à une question plus précise : comment l'état de connaissances d'un apprenant devrait-il déterminer le type d'assistance qu'une IA générative lui offre ?
L'idée centrale est celle d'une assistance graduée. Quand les connaissances nécessaires sont encore fragiles, l'aide devrait privilégier une question, un indice ou une rétroaction sur une tentative — de quoi guider sans faire à la place. Quand ces connaissances sont mieux maîtrisées, une aide plus explicite devient pertinente. Ce principe rejoint directement mes travaux doctoraux sur la modélisation de l'apprenant, mais avec une différence importante : ici, le modèle ne sert plus à prédire la réussite, il sert à décider quelle forme d'aide préserve l'activité cognitive nécessaire à l'apprentissage.
Le projet se déroulera en deux études sur trois ans, auprès d'étudiants universitaires et collégiaux, avec pour chacune un prétest de connaissances, une phase d'assistance (avec ou sans IA, puis avec assistance conventionnelle ou adaptée), et surtout une mesure du transfert : la capacité à réutiliser ce qu'on a appris dans une situation nouvelle, sans aide. C'est cette dernière mesure qui, à mon sens, distingue vraiment une IA qui enseigne d'une IA qui fait le travail à notre place.
Je documenterai l'avancement de ce projet ici au fil des prochains mois — n'hésitez pas à revenir.
← Retour au carnet