L'essor des grands modèles de langage (LLM) transforme radicalement l'apprentissage de l'informatique. Auparavant, programmer exigeait de maîtriser une syntaxe rigoureuse et complexe. Aujourd'hui, la « programmation par requêtes » (ou prompt-based programming) permet d'exprimer des objectifs computationnels en langage naturel. Cette transition démocratise l'accès au code, en particulier pour les étudiants non spécialistes (sciences humaines, biologie, gestion) qui ont besoin d'outils numériques sans pour autant viser une carrière d'ingénieur logiciel.
Cependant, formuler une intention claire à une intelligence artificielle ne s'improvise pas. Face à un agent conversationnel, les novices rédigent souvent des requêtes vagues ou incomplètes, menant à des résultats erronés. Une étude récente, publiée sous forme de prépublication (preprint) sur la plateforme arXiv par des chercheurs américains, s'est penchée sur cette problématique : peut-on enseigner efficacement l'art du « prompt » en un temps record ? Les conclusions de ce travail offrent des pistes précieuses pour repenser l'initiation à l'informatique.
Une expérimentation de 45 minutes pour structurer la pensée
L'étude en question, intitulée Teaching Prompt-Based Programming with LLMs: A 45-Minute Lesson with Guided Practice for End-User Programmers, évalue l'impact d'une intervention pédagogique très courte. Les chercheurs ont conçu une leçon de 45 minutes combinant un apport théorique et une pratique guidée, qu'ils ont comparée à une séance de travaux pratiques traditionnelle (basée sur la lecture et le traçage de code existant).
L'objectif de cette leçon flash était d'apprendre aux étudiants à structurer leurs requêtes selon des principes computationnels précis :
* Décomposition du problème : diviser une tâche complexe en sous-tâches plus simples.
* Spécification des entrées et sorties : définir clairement le format des données fournies à l'IA et le résultat attendu.
* Contextualisation : donner des consignes de rôle et des contraintes techniques à l'algorithme.
Les résultats de cette étude randomisée montrent qu'une telle intervention, bien que brève, améliore significativement la qualité des requêtes formulées par les apprenants. Les étudiants formés ont produit des consignes nettement moins ambiguës et ont su mieux guider l'IA pour obtenir le code souhaité, comparativement au groupe témoin.
Il convient toutefois de manipuler ces résultats avec la prudence scientifique de rigueur : s'agissant d'un preprint, ce travail n'a pas encore subi l'évaluation par les pairs (peer-review) indispensable pour valider définitivement sa méthodologie et ses conclusions.
La pensée computationnelle : le socle incontournable
Cette recherche met en lumière un paradoxe apparent : si l'IA élimine la barrière de la syntaxe (les parenthèses oubliées, les erreurs de typographie), elle n'élimine pas le besoin de compétences informatiques fondamentales. Pour obtenir un programme fonctionnel de la part d'un LLM, l'utilisateur doit toujours faire preuve de « pensée computationnelle ».
Savoir programmer par requêtes nécessite de comprendre comment une machine traite l'information. Si l'étudiant ne sait pas ce qu'est une boucle, une condition ou une structure de données, il lui sera extrêmement difficile de formuler un prompt efficace ou de détecter les erreurs générées par l'IA. L'UNESCO, dans ses directives mondiales sur l'intelligence artificielle générative dans l'éducation, insiste d'ailleurs sur ce point : l'éducation doit former des utilisateurs critiques, capables de superviser les systèmes automatisés plutôt que de leur obéir aveuglément.
Les risques pédagogiques : l'illusion de compétence
L'intégration de la programmation par prompts dans les cursus scolaires et universitaires comporte plusieurs pièges que les équipes éducatives doivent anticiper :
1. L'illusion de compétence : en obtenant rapidement un code fonctionnel grâce à un prompt bien tourné, l'étudiant peut croire qu'il maîtrise le sujet. Cette gratification immédiate risque de court-circuiter l'effort cognitif nécessaire à l'apprentissage profond.
2. La dépendance technologique : sans recul critique, l'apprenant devient incapable de résoudre un problème si l'outil d'IA est indisponible ou s'il produit des hallucinations (génération de fonctions inexistantes ou de failles de sécurité).
3. L'effet boîte noire : déléguer la production de code à un modèle de langage empêche parfois de comprendre la logique interne du programme, ce qui limite la capacité de maintenance et d'optimisation ultérieure.
Pour pallier ces risques, l'évaluation doit se déplacer de la simple production du code vers l'explication du code et la capacité à le tester et à le déboguer.
Pistes de transfert pour les enseignants francophones
Pour les enseignants du secondaire (notamment en SNT ou NSI en France) ou du supérieur en Francophonie, cette étude démontre qu'il est possible et rentable d'intégrer des modules très courts dédiés au prompt-engineering.
Voici comment transposer ces principes dans vos pratiques :
* Scénariser des séances de « reverse prompting » : donnez aux élèves un code fonctionnel et demandez-leur de reconstituer le prompt précis qui a permis de le générer. Cela développe leur capacité d'analyse et de rétro-ingénierie.
* Enseigner le débogage assisté : apprenez aux élèves à ne pas abandonner face à un code généré qui ne fonctionne pas. Montrez-leur comment copier-coller les messages d'erreur dans le LLM et comment lui demander d'expliquer ses corrections.
* Créer des grilles d'évaluation hybrides : évaluez la clarté de la requête initiale, la pertinence de la stratégie de décomposition du problème et la capacité de l'étudiant à valider la conformité du résultat produit par l'IA.
En définitive, la programmation par requêtes ne doit pas être vue comme un raccourci pour éviter d'apprendre l'informatique, mais comme une nouvelle interface de programmation de plus haut niveau. En y consacrant ne serait-ce qu'une heure de cours structurée, vous pouvez transformer vos élèves de simples consommateurs passifs d'IA en concepteurs de solutions technologiques avertis.
Discussion
Posez vos questions et partagez votre point de vue. Matania, l'assistante de recherche et de vérification des faits, lit les commentaires et y répond dès qu'elle peut apporter des sources fiables ou des précisions. Les liens ne sont pas autorisés : citez vos sources par leur nom.