Apprendre avec l'IA générative : rôle des connaissances antérieures et de l'assistance adaptative

Objectifs

L'intelligence artificielle générative (IAG) transforme les conditions dans lesquelles les étudiants apprennent et réalisent des tâches complexes. Capable d'expliquer, de raisonner, de synthétiser et de produire des solutions, elle peut soutenir l'apprentissage, mais également accomplir une partie de l'activité cognitive auparavant réalisée par l'apprenant. Cette recherche vise à déterminer dans quelles conditions l'assistance fournie par l'IAG soutient la construction des connaissances plutôt que de s'y substituer, en examinant particulièrement le rôle des connaissances antérieures.

Trois objectifs sont poursuivis :

O1 — Examiner comment les connaissances antérieures influencent les modalités d'utilisation de l'IAG au cours d'une tâche complexe.
O2 — Déterminer dans quelle mesure les connaissances antérieures modèrent les effets de l'assistance de l'IAG sur la performance immédiate, l'apprentissage et le transfert.
O3 — Évaluer si une assistance IAG adaptée à l'état de connaissances de l'apprenant permet de mieux concilier performance pendant la tâche et apprentissage ultérieur qu'une assistance non adaptée.

Problématique

L'accès à l'IAG modifie profondément la relation entre connaissances, activité cognitive et performance. Dans une situation d'apprentissage traditionnelle, réaliser une tâche complexe exige généralement que l'apprenant mobilise les connaissances et les stratégies nécessaires à sa résolution — la qualité de la production constitue ainsi, avec certaines limites, une manifestation de ce qu'il est capable de comprendre et de réaliser. Avec l'IAG, cette relation devient plus incertaine : un apprenant peut désormais obtenir une explication, une analyse ou une solution de grande qualité sans avoir lui-même réalisé l'ensemble des opérations cognitives nécessaires à sa production.

Cette possibilité crée une distinction essentielle entre réussir une tâche avec l'IAG et apprendre grâce à cette interaction. Dans une expérimentation menée auprès de près de 1 000 élèves en mathématiques, Bastani et al. (2025) ont montré que l'accès à GPT-4 augmentait la performance durant les exercices, alors que les élèves ayant utilisé une version non encadrée de l'outil obtenaient ensuite des résultats inférieurs au groupe sans IAG lorsque celle-ci était retirée. L'ajout de mécanismes pédagogiques limitant la fourniture directe des solutions atténuait cet effet.

Cette question rejoint les travaux sur la décharge cognitive (cognitive offloading) : le transfert vers un outil externe d'opérations qui auraient autrement été réalisées cognitivement. Le problème scientifique ne consiste donc pas à déterminer si l'IAG est globalement bénéfique ou nuisible à l'apprentissage, mais à comprendre comment les connaissances déjà construites par l'apprenant conditionnent les effets de l'assistance de l'IAG sur ce qu'il apprend et demeure capable de réaliser lorsque cette assistance disparaît.

Originalité et contribution

Plutôt que d'opposer utilisation et non-utilisation de l'IAG, la recherche examine l'interaction entre ce que sait l'apprenant et ce que l'IAG réalise pour lui. Trois contributions principales :

1. Documenter la relation entre connaissances antérieures, usages de l'IAG et apprentissage ultérieur, en distinguant la performance obtenue pendant l'assistance de la capacité à mobiliser ensuite ses connaissances sans assistance.
2. Examiner le transfert comme critère central d'une utilisation pédagogiquement productive de l'IAG.
3. Étudier une assistance adaptative fondée sur l'état de connaissances : aide graduée (question, indice, rétroaction) lorsque les connaissances sont fragiles, aide plus explicite lorsqu'elles sont davantage maîtrisées.

Ce projet prolonge les travaux doctoraux de la chercheure sur la modélisation dynamique des connaissances de l'apprenant (Tato, 2020 ; Tato et Nkambou, 2022), en les étendant de la modélisation de l'apprenant vers la personnalisation de l'assistance cognitive dans les environnements enrichis par l'IAG.

Approche théorique

Le projet articule trois perspectives complémentaires :

Modéliser — l'état de connaissances de l'apprenant, représenté à partir de performances à des tâches diagnostiques.
Déléguer — la décharge cognitive, qui peut libérer des ressources pour des opérations plus complexes ou, à l'inverse, remplacer les opérations nécessaires à l'apprentissage.
Soutenir — l'échafaudage adaptatif, où le niveau d'aide dépend de l'état de connaissances de l'apprenant.

Approche méthodologique

Démarche quantitative expérimentale sur trois ans, auprès d'étudiants universitaires ou collégiaux (l'introduction à la programmation constitue un terrain privilégié).

Étude 1 — Connaissances antérieures et effets de l'IAG (répond à O1 et O2). Environ 120 étudiants, prétest de connaissances puis assignation aléatoire à une condition sans IAG ou avec IAG. Un post-test et une tâche de transfert sans assistance permettent de distinguer performance assistée, apprentissage et transfert.

Étude 2 — Assistance adaptée à l'état de connaissances (répond à O3). Nouvelle cohorte d'environ 120 étudiants, comparant une assistance conventionnelle à une assistance adaptée à l'état de connaissances estimé. Aucun développement de modèle génératif n'est prévu — l'adaptation repose sur des règles pédagogiques explicites appliquées à une IAG existante.

Retombées pour la formation de la relève

Le projet formera trois étudiants à progression de responsabilités adaptée à leur niveau : un au doctorat (conception et évaluation de l'assistance adaptative, analyses quantitatives, rédaction scientifique), un à la maîtrise (formalisation des connaissances ciblées, traitement des traces d'interaction) et un au baccalauréat (revue de littérature, prétest des tâches expérimentales). Ils bénéficieront des activités du CRIRES et de l'Institut intelligence et données.

Diffusion et mobilisation des connaissances

Trois articles scientifiques sont prévus, portant respectivement sur la relation entre connaissances antérieures et effets de l'IAG, sur l'assistance adaptée à l'état de connaissances, et sur une synthèse proposant des principes de conception pour les environnements d'apprentissage intégrant l'IAG. Les résultats seront présentés dans des conférences telles que Artificial Intelligence in Education, Educational Data Mining et Learning Analytics and Knowledge, ainsi qu'au CRIFPE. Une ressource destinée aux personnes enseignantes sera également produite.

Calendrier