L'intégration de l'intelligence artificielle générative (IAG) dans l'enseignement supérieur a franchi une étape critique. L'époque où l'IA était l'apanage exclusif des départements d'informatique ou des filières STEM (sciences, technologies, ingénierie et mathématiques) est révolue. Aujourd'hui, les grands modèles de langage (LLM) se sont invités dans les travaux de rédaction de tous les étudiants, quelle que soit leur discipline.
Face à cette déferlante, les universités oscillent trop souvent entre deux extrêmes : l'interdiction stricte, difficilement applicable, ou l'indifférence passive. Pour dépasser cette impasse, deux défis majeurs se posent aux équipes pédagogiques : d'une part, concevoir des formations à l'IA adaptées aux étudiants sans bagage scientifique ; d'autre part, comprendre précisément comment les étudiants mobilisent ces outils dans leurs écrits afin d'encadrer leurs usages de manière constructive.
Démocratiser l'IA : former les profils non scientifiques sans coder
Pour que l'IA ne devienne pas un facteur supplémentaire de fracture sociale et académique, il est urgent de proposer des formations inclusives. C'est tout l'enjeu d'une étude menée dans le cadre d'un programme financé par la National Science Foundation (NSF) aux États-Unis, publiée sur la plateforme arXiv (arXiv:2604.20870v2). Les chercheurs y évaluent un modèle d'enseignement de l'IA conçu pour un public mixte, associant des étudiants de premier cycle non scientifiques et des adultes en reprise d'études.
Plutôt que de se focaliser sur la programmation ou les aspects purement mathématiques, ce programme met l'accent sur le raisonnement éthique, le jugement socio-technique et la littératie appliquée de l'IA. Les résultats de cette approche qualitative et quantitative sont particulièrement encourageants. Les participants ont enregistré des gains significatifs en matière de confiance en soi et d'agentivité académique. Ils se sentent désormais capables de naviguer dans les concepts de l'IA, d'en évaluer les compromis éthiques et d'envisager de nouvelles trajectoires professionnelles.
Il convient toutefois de nuancer ces résultats : il s'agit d'un document de travail (preprint) qui n'a pas encore fait l'objet d'une évaluation par les pairs. De plus, le contexte de l'étude est très ciblé sur le système universitaire américain et bénéficie de financements fédéraux importants, ce qui peut limiter sa réplicabilité immédiate sans ressources dédiées.
Typologie des usages : comment les étudiants s'approprient-ils réellement les LLM ?
Pour encadrer l'usage des LLM dans l'écriture académique, il faut d'abord comprendre comment les étudiants les utilisent. Une seconde étude, également publiée sous forme de preprint sur arXiv (arXiv:2606.28749v2) et menée auprès de 382 étudiants d'une université publique américaine accueillant d'importantes minorités, apporte un éclairage précieux. Les auteurs y dépassent la simple mesure de la fréquence d'utilisation pour établir une typologie fine des comportements d'écriture assistée par IA :
* L'usage stratégique (34,3 %) : L'étudiant utilise l'IA de manière ciblée pour structurer sa pensée, corriger le style ou surmonter le syndrome de la page blanche, tout en conservant le contrôle intellectuel de sa production.
* L'usage instrumental (30,9 %) : L'outil est mobilisé pour des tâches d'exécution précises (traduction, mise en forme des références, résumé de textes complexes).
* L'usage dialogique (30,4 %) : L'étudiant engage un véritable dialogue avec la machine, l'utilisant comme un partenaire de remue-méninges pour tester des arguments ou explorer des perspectives contradictoires.
* L'usage dépendant (4,5 %) : C'est le profil le plus problématique, où l'étudiant délègue entièrement la rédaction et la réflexion à l'IAG, sans apport personnel significatif.
Cette étude montre que la grande majorité des étudiants (plus de 95 %) n'est pas dans une logique de triche passive ou de dépendance totale. Leurs croyances sur la valeur de l'effort et le coût d'apprentissage prédisent l'intensité de leur recours à l'IA, tandis que leur niveau de littératie numérique détermine la qualité et la nature éthique de leur usage. Là encore, le statut de preprint de cette recherche invite à la prudence, mais la typologie proposée offre une grille de lecture très opérationnelle pour les enseignants.
Réguler sans interdire : l'apport des cadres internationaux
Ces initiatives locales résonnent avec les orientations des grandes organisations internationales. Dans ses directives mondiales sur l'IA générative dans l'éducation et la recherche, l'UNESCO insiste sur la nécessité de placer l'agentivité humaine au cœur de l'apprentissage. L'organisation met en garde contre une utilisation non réglementée qui pourrait affaiblir les capacités cognitives des apprenants et creuser les inégalités.
L'UNESCO préconise notamment de fixer des limites d'âge pour l'utilisation de ces outils en contexte scolaire et d'intégrer des modules de formation critique dès le début du parcours universitaire. L'objectif n'est pas de bannir les LLM, mais de s'assurer que les étudiants comprennent les biais, les limites factuelles (les fameuses "hallucinations") et les enjeux de propriété intellectuelle liés à ces technologies.
Pistes de transfert pour les établissements francophones
Pour les équipes pédagogiques des universités et grandes écoles de l'espace francophone, ces travaux dessinent des pistes d'action concrètes :
1. Développer des cours de "littératie IA" transdisciplinaires : À l'instar du modèle soutenu par la NSF, il est crucial de proposer des enseignements d'initiation à l'IA qui ne nécessitent aucun prérequis en code. Ces cours doivent aborder le fonctionnement conceptuel des réseaux de neurones, la gestion des données massives et les questions d'éthique appliquée.
2. Faire évoluer les modalités d'évaluation : Puisque la rédaction finale peut être assistée de multiples manières, l'évaluation doit se déplacer vers le processus plutôt que vers le produit fini. On peut imaginer d'évaluer le "journal de bord" de l'utilisation de l'IA, de demander aux étudiants d'analyser de manière critique les réponses fournies par un LLM, ou de valoriser les soutenances orales.
3. Co-construire des chartes d'usage avec les étudiants : Plutôt que d'imposer des règlements punitifs souvent inefficaces, les établissements ont intérêt à engager un dialogue avec les étudiants pour définir ce qui relève d'un usage éthique (dialogique ou stratégique) et ce qui s'apparente à de la fraude (usage dépendant).
En investissant dans la formation critique plutôt que dans la surveillance technologique, l'enseignement supérieur peut transformer le défi de l'IA générative en une opportunité d'émancipation intellectuelle pour tous les étudiants, quel que soit leur horizon académique.
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.