Du « vibe coding » à la classe : quand l'IA permet de visualiser le travail des élèves en programmation

L'essor des outils d'intelligence artificielle générative a fait émerger une nouvelle pratique de développement logiciel : le vibe coding. Popularisé par des figures de la tech, ce terme désigne l'action de concevoir des applications complexes en dictant simplement ses intentions à une IA, sans rédiger manuellement la moindre ligne de code. Si cette approche suscite des débats chez les ingénieurs logiciels, elle vient de faire une entrée remarquée dans le monde de la recherche en éducation.

Une équipe de chercheurs vient de publier un document de recherche (un preprint) décrivant comment ils ont utilisé cette méthode pour concevoir, en seulement quelques jours, un outil d'analyse pédagogique destiné aux enseignants de programmation. L'objectif : exploiter les fichiers journaux (logs) de l'environnement de développement Thonny pour rendre visible le processus d'apprentissage des élèves.

Le défi de l'invisibilité du processus de programmation

Pour un enseignant de programmation, évaluer le travail d'un élève se résume trop souvent à analyser le code final rendu. Pourtant, ce produit fini ne dit rien de la démarche : l'élève a-t-il progressé de manière logique et incrémentale ? A-t-il été bloqué pendant des heures sur une erreur de syntaxe mineure ? Ou a-t-il simplement copié-collé un bloc de code généré par une IA sans en comprendre le fonctionnement ?

Certains environnements de développement intégrés (IDE) populaires dans l'enseignement, à l'instar de Thonny (très largement utilisé pour l'apprentissage de Python), enregistrent en arrière-plan des fichiers de logs extrêmement détaillés. Ces fichiers capturent chaque modification de texte, chaque exécution de programme et chaque message d'erreur. Cependant, ces données brutes sont inexploitables pour un enseignant en classe : elles se présentent sous la forme de milliers de lignes de texte cryptiques.

C'est pour résoudre ce problème que les chercheurs ont conçu leur visualiseur. En glissant-déposant un dossier contenant les logs d'une classe entière, l'enseignant accède instantanément à un tableau de bord par élève.

Ce que révèle le tableau de bord : une autopsie de la session de code

L'application web ainsi développée propose plusieurs visualisations clés pour chaque élève :

* Une chronologie interactive de l'activité : elle montre les phases de frappe active, les moments de pause, les exécutions de code et les erreurs rencontrées.
* Un graphique de l'évolution de la taille du code : une courbe progressive indique une rédaction manuelle et réfléchie, tandis qu'une hausse verticale et soudaine du nombre de caractères trahit un copier-coller massif.
* Un lecteur de session (replay) : l'enseignant peut littéralement « rejouer » la session d'écriture de l'élève, caractère par caractère, pour observer sa démarche de résolution de problèmes.
* Un résumé compact : l'outil synthétise le temps total passé, le nombre d'exécutions et le taux de réussite ou d'échec face à l'interpréteur Python.

Cette transparence offre aux enseignants un levier inédit pour adapter leur accompagnement en temps réel.

Les apports pédagogiques : entre remédiation et intégrité académique

Sur le plan pédagogique, la possibilité de visualiser le processus de programmation transforme la posture de l'enseignant.

Premièrement, cela facilite la remédiation ciblée. En repérant les élèves dont la courbe de taille de code stagne ou dont le journal d'erreurs s'emballe, l'enseignant peut intervenir avant que le découragement ne s'installe. Il peut analyser si l'élève procède par essais et erreurs désordonnés ou s'il applique une méthode structurée.

Deuxièmement, l'outil apporte une réponse concrète aux défis de l'intégrité académique à l'ère de ChatGPT. Détecter le plagiat ou l'usage abusif d'IA génératives sur un code final est devenu extrêmement difficile. En revanche, l'analyse du processus rend la fraude évidente : l'apparition instantanée d'un algorithme complexe de cinquante lignes, sans aucune phase de test intermédiaire ni correction de syntaxe, constitue une signature indubitable de copier-coller.

Enfin, cet outil favorise l'explicitation. L'enseignant peut projeter anonymement le processus d'un élève pour montrer à la classe comment une démarche structurée (écriture de tests, résolution progressive des erreurs) mène au succès, valorisant ainsi l'effort et la méthode plutôt que le seul résultat.

Les limites méthodologiques d'un déploiement rapide

Si les promesses de cette étude sont séduisantes, il convient d'analyser ses résultats avec la rigueur scientifique requise pour un preprint. Ce document n'a pas encore été évalué par les pairs (peer-reviewing), une étape indispensable pour valider sa méthodologie.

Plusieurs limites doivent être soulignées :

* L'effet de nouveauté et le biais des concepteurs : l'étude rapporte une évaluation initiale enthousiaste, mais celle-ci a été menée par les concepteurs eux-mêmes sur un échantillon restreint. L'efficacité à long terme de l'outil reste à prouver.
* La protection des données : le traitement des fichiers de logs des élèves, qui contiennent des données d'activité précises, pose des questions de confidentialité et de conformité avec le RGPD en Europe. Bien que l'application soit présentée comme fonctionnant localement dans le navigateur, un déploiement à grande échelle exige des garanties de sécurité strictes.
* La dépendance au format des logs : l'outil est tributaire de la structure des logs de Thonny. Toute mise à jour de l'IDE pourrait rendre le visualiseur obsolète si l'application n'est pas maintenue.

Quelle transférabilité pour les enseignants francophones ?

Pour les enseignants de France (notamment en SNT et NSI au lycée) et du Québec (dans les cours d'initiation à la programmation au collégial ou à l'université), cette initiative ouvre des perspectives passionnantes.

Thonny étant l'un des piliers de l'apprentissage de Python dans l'espace francophone, la mise à disposition d'un tel visualiseur pourrait rapidement enrichir les pratiques de classe. De plus, la méthode de conception elle-même montre la voie : les enseignants n'ont plus besoin d'attendre que des éditeurs de logiciels commerciaux développent des fonctionnalités spécifiques. En s'appropriant les techniques de vibe coding avec des LLM modernes, des équipes pédagogiques peuvent désormais concevoir leurs propres outils d'analyse de données d'apprentissage, adaptés à leurs besoins locaux.

Cette recherche illustre un paradoxe fascinant : c'est l'IA elle-même, souvent accusée de court-circuiter l'apprentissage de la programmation, qui permet ici de concevoir en un temps record l'outil capable de redonner de la valeur à l'effort humain et à la démarche d'apprentissage.