L'intégration de l'intelligence artificielle générative (IAG) dans l'enseignement supérieur n'est plus une nouveauté, mais un fait accompli. Dans les facultés d'informatique, où le code est la matière première, les outils comme ChatGPT ou GitHub Copilot se sont installés sur les écrans des étudiants à une vitesse fulgurante. Pourtant, face à cette déferlante, les institutions oscillent encore trop souvent entre deux postures extrêmes : l'interdiction stricte ou l'acceptation passive.
Une étude récente vient bousculer ce face-à-face stérile en déplaçant le curseur de l'analyse. Il ne s'agit plus de savoir s'il faut utiliser ou non l'IA, mais de comprendre comment les étudiants interagissent avec elle et quelles sont les répercussions de ces différents usages sur leur apprentissage de la programmation orientée objet (POO).
L'étude sous la loupe : des profils d'utilisateurs contrastés
Pour appréhender ces dynamiques, des chercheurs ont mené une enquête auprès de 210 étudiants de première année de licence inscrits dans un cours de programmation orientée objet. Les résultats de cette recherche ont été publiés sous forme de prépublication (preprint) sur la plateforme arXiv sous le titre Patterns of Learner-AI Interaction and Academic Performance in an Object-Oriented Programming Course.
Avant d'analyser ces données, une précaution méthodologique s'impose, fidèle aux exigences de rigueur journalistique : ce document est un preprint (Tier 2). Cela signifie qu'il n'a pas encore été formellement évalué par les pairs pour une publication dans une revue scientifique à comité de lecture. De plus, l'étude repose en grande partie sur des données déclaratives (auto-évaluation par questionnaire), ce qui introduit un biais potentiel de désirabilité sociale ou de perception erronée de ses propres compétences par l'étudiant. Néanmoins, l'échantillon et le contexte offrent un éclairage précieux.
Dans le cadre de ce cours, l'usage de l'IA générative était autorisé pour les travaux dirigés et les projets personnels, mais strictement interdit lors des examens sur table. Les chercheurs ont constaté que les étudiants n'utilisent pas l'IA de manière uniforme. Deux usages principaux se détachent nettement :
1. La recherche d'explications et la conceptualisation : les étudiants interrogent l'IA pour comprendre des concepts abstraits de la POO (comme l'héritage, le polymorphisme ou l'encapsulation) ou pour décortiquer des messages d'erreur.
2. La génération directe de code et le débogage automatique : les étudiants demandent à l'IA de rédiger des portions de code ou de corriger directement leurs scripts sans chercher à comprendre l'origine de l'erreur.
Pourquoi la programmation orientée objet est un révélateur
La programmation orientée objet est une discipline particulièrement intéressante pour observer ces comportements. Contrairement à la programmation procédurale de base, la POO exige une gymnastique mentale importante pour modéliser des concepts réels sous forme de classes et d'objets.
Lorsqu'un étudiant utilise l'IA comme un tuteur (en lui demandant d'expliquer pourquoi une structure de classe est préférable à une autre), il renforce sa charge cognitive utile. En revanche, s'il se contente de copier-coller un énoncé de projet dans l'interface de l'IA pour obtenir le code final, il court-circuite le processus d'apprentissage. L'étude montre que les étudiants qui privilégient la recherche d'explications et le débogage assisté obtiennent de meilleurs résultats aux examens finaux (où l'IA est interdite) que ceux qui délèguent la production de code.
Ce constat corrobore d'autres recherches menées dans le domaine de la recherche en éducation informatique (Computing Education Research). Des travaux publiés lors des conférences du groupe de travail SIGCSE de l'ACM ont également souligné que la dépendance excessive à la génération automatique de code affaiblit la capacité des étudiants à lire et à comprendre le code, une compétence pourtant cruciale pour leur future carrière professionnelle.
Les pièges méthodologiques : corrélation n'est pas causalité
Avant que les directions d'établissements ne se précipitent pour ériger ces constats en règles pédagogiques universelles, plusieurs précautions méthodologiques doivent être prises en compte :
* Le biais de sélection et d'auto-régulation : Les étudiants qui utilisent l'IA pour obtenir des explications approfondies sont souvent ceux qui possèdent déjà une plus grande maturité académique et de meilleures stratégies d'apprentissage. L'IA ne fait ici que révéler, voire amplifier, des inégalités de méthode de travail préexistantes.
* La nature des évaluations : Si l'examen final consiste à écrire du code sur papier sans aucun outil, il est logique que les étudiants ayant délégué l'écriture du code à l'IA durant le semestre échouent. Mais cette évaluation traditionnelle est-elle encore adaptée au monde professionnel de demain ?
* L'effet de nouveauté : Les comportements des étudiants évoluent rapidement à mesure qu'ils se familiarisent avec les limites des modèles d'IA (les fameuses "hallucinations"). Une étude ponctuelle ne capture qu'une image fixe d'un paysage en constante mutation.
Quelles stratégies pour les équipes éducatives francophones ?
Pour les universités et écoles d'ingénieurs en France, en Belgique, en Suisse ou au Québec, ces résultats dessinent des pistes d'action concrètes pour faire évoluer les pratiques pédagogiques :
* Enseigner l'art du questionnement (Prompt Literacy) : Puisque l'usage de l'IA est inévitable, il convient d'enseigner explicitement aux étudiants comment formuler des requêtes pour en faire un tuteur d'apprentissage. Par exemple, leur apprendre à demander à l'IA : "Explique-moi ce concept en utilisant une analogie, mais ne me donne pas le code de solution."
* Repenser l'évaluation en y intégrant l'IA : Plutôt que d'interdire l'IA lors des examens, certaines institutions expérimentent des évaluations où l'étudiant doit analyser, critiquer et corriger un code généré par une IA. Cela permet d'évaluer des compétences de haut niveau taxonomique (analyse, évaluation) plutôt que la simple mémorisation syntaxique.
* Scaffolding (étayage pédagogique) : Les enseignants peuvent concevoir des projets où les premières étapes de conception doivent être validées manuellement (par exemple, la création de diagrammes de classes UML) avant que l'usage de l'IA ne soit autorisé pour la phase de codage proprement dite.
En fin de compte, l'IA ne doit pas être traitée comme un simple outil de triche ou d'assistance, mais comme un nouveau partenaire cognitif. Le rôle des enseignants n'est plus seulement de transmettre des connaissances techniques, mais de guider les étudiants dans la régulation de leur propre apprentissage face à des machines de plus en plus performantes.
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.