Depuis l'irruption de ChatGPT dans le paysage éducatif fin 2022, une inquiétude majeure hante les couloirs des universités : celle de la « substitution cognitive ». Selon cette hypothèse, les étudiants externaliseraient massivement leur effort intellectuel vers les outils d'intelligence artificielle générative (IAG). Ils obtiendraient ainsi de meilleures notes sans pour autant assimiler les connaissances.
Une étude d'envergure, récemment diffusée sous forme de prépublication sur la plateforme arXiv, apporte un éclairage empirique inédit sur ce phénomène. En analysant les données administratives et les syllabus de 156 135 étudiants sur une décennie (2015-2025) au sein d'une grande université américaine, les chercheurs ont tenté de mesurer l'impact réel de la disponibilité de l'IAG sur les résultats académiques et la satisfaction des apprenants.
Avant d'analyser ces résultats, il convient de préciser la nature de cette source : il s'agit d'un preprint (ou prépublication), ce qui signifie que ce travail n'a pas encore été validé par un comité de lecture indépendant. Bien que sa méthodologie rigoureuse et son échantillon massif lui confèrent une grande valeur informative, ses conclusions doivent être accueillies avec la prudence scientifique de rigueur.
Une méthodologie rigoureuse pour traquer l'effet ChatGPT
Pour tester l'hypothèse de la substitution cognitive, les auteurs de l'étude ont utilisé une méthode quasi-expérimentale dite de « différences-en-différences ». Ils ont comparé l'évolution des notes et de la satisfaction des étudiants avant et après l'apparition de ChatGPT, en distinguant deux types de cours :
* Les cours dits « sensibles à l'IAG » : ceux dont les évaluations reposent principalement sur des travaux à la maison, des rédactions, des rapports ou des projets personnels, autant de tâches où l'IA peut facilement formuler des réponses à la place de l'étudiant.
* Les cours « non sensibles » : ceux qui privilégient les examens surveillés sur table, en présentiel, où l'usage de la technologie est proscrit.
Pour classer ces milliers de cours, les chercheurs ont développé un protocole innovant s'appuyant sur un grand modèle de langage (LLM) validé par des humains, capable d'extraire et de catégoriser les modes d'évaluation décrits dans les syllabus de 87 936 sessions de cours.
Si l'hypothèse d'une substitution cognitive généralisée était exacte, on aurait dû observer une hausse disproportionnée des moyennes générales dans les cours sensibles à l'IAG après la fin de l'année 2022, les étudiants profitant de l'outil pour maximiser leurs notes à moindre effort.
Des résultats surprenants : pas de flambée généralisée des notes
Contre toute attente, l'étude ne constate pas de hausse spectaculaire des notes dans les cours propices à l'usage de l'IAG par rapport aux autres. Les moyennes sont restées globalement stables, ce qui tend à nuancer le scénario d'une triche pandémique qui fausserait massivement les évaluations universitaires.
Plus intrigant encore, l'étude s'est penchée sur la satisfaction des étudiants, mesurée à travers les questionnaires d'évaluation de fin de semestre. Les chercheurs ont analysé deux indicateurs clés : la compréhension autodéclarée de la matière et l'intérêt suscité par le cours. Les résultats montrent que la satisfaction et le sentiment d'apprentissage n'ont pas connu de baisse significative dans les cours exposés à l'IAG.
Ce double constat suggère que l'accès à l'IAG n'a pas provoqué l'effondrement redouté de l'engagement étudiant, mais n'a pas non plus agi comme un accélérateur miracle de réussite académique.
Ce que l'étude suggère — et ce qu'elle ne permet pas de conclure
Ces données macroscopiques révèlent une réalité plus complexe qu'une simple substitution paresseuse. Plusieurs explications peuvent être avancées pour expliquer cette stabilité des notes :
1. L'adaptation rapide des enseignants : Face à l'arrivée de ChatGPT, de nombreux professeurs ont modifié leurs barèmes, renforcé leurs exigences de correction ou réintroduit des contrôles continus en classe, neutralisant ainsi l'avantage immédiat que les étudiants auraient pu tirer de l'IAG.
2. Le déplacement de l'effort plutôt que sa disparition : Utiliser efficacement une IA pour produire un travail universitaire de qualité requiert des compétences de formulation de requêtes (prompting), de vérification des faits et de synthèse. L'effort cognitif n'est pas nécessairement supprimé ; il est déplacé vers des tâches de supervision et d'esprit critique.
3. L'effet de compensation : Si certains étudiants ont effectivement triché, d'autres ont pu utiliser l'IAG comme un tuteur personnalisé pour mieux comprendre des concepts complexes, équilibrant ainsi les moyennes globales.
Cependant, cette étude comporte des limites importantes. Basée sur des données administratives globales, elle ne permet pas de mesurer l'usage individuel et réel que chaque étudiant fait de l'IA. De plus, la satisfaction autodéclarée reste un indicateur subjectif : un étudiant peut se déclarer satisfait et estimer avoir compris un cours simplement parce qu'il a éprouvé moins de frustration grâce à l'aide de l'IA, sans que cela ne se traduise par une maîtrise réelle et durable des compétences à long terme.
Un défi mondial pour l'enseignement supérieur
Ces observations résonnent avec d'autres travaux menés à l'échelle internationale. L'UNESCO, dans ses directives mondiales sur l'IA générative dans l'éducation et la recherche, insiste sur la nécessité de repenser les cadres d'évaluation plutôt que de chercher à interdire l'outil. L'organisation souligne que l'évaluation doit mesurer des compétences humaines complexes que l'IA ne peut pas simuler facilement, comme la pensée critique, la collaboration et la créativité éthique.
De même, une enquête menée au Royaume-Uni par le Higher Education Policy Institute (HEPI) montre que si une grande majorité d'étudiants utilisent désormais l'IAG comme un assistant d'apprentissage quotidien, ils réclament des consignes beaucoup plus claires de la part de leurs institutions. Les étudiants ne cherchent pas majoritairement à contourner l'effort, mais à s'approprier des outils indispensables à leur future vie professionnelle.
Quelles pistes pour les équipes éducatives francophones ?
Pour les universités et grandes écoles en France, au Québec ou en Belgique, les enseignements de cette étude invitent à dépasser la panique morale pour entrer dans une phase de transition pédagogique active :
* Diversifier les modalités d'évaluation : Le tout-écrit à la maison montre ses limites. Il devient nécessaire de rééquilibrer les évaluations en y intégrant des soutenances orales, des examens pratiques en laboratoire, ou des travaux de groupe collaboratifs réalisés en classe.
* Évaluer le processus plutôt que le produit fini : Au lieu de noter uniquement le rapport final, les enseignants peuvent évaluer les différentes étapes de sa production (notes de recherche, versions intermédiaires, journal de bord de l'utilisation de l'IA).
* Former à la littératie de l'IA : Puisque l'effort cognitif se déplace, il est crucial d'enseigner explicitement aux étudiants comment interroger une IA, comment repérer les hallucinations et comment citer de manière transparente l'usage de ces technologies dans leurs travaux.
En définitive, l'IA générative ne semble pas signer la fin de l'effort intellectuel à l'université, mais elle impose une redéfinition profonde de la relation entre l'étudiant, son travail et l'évaluation de ses compétences.
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.