L'intégration de l'intelligence artificielle générative (IAG) dans l'enseignement supérieur est souvent présentée comme une opportunité historique de réduire les inégalités scolaires. En offrant un soutien linguistique personnalisé et un accès instantané à des ressources documentaires complexes, l'IAG pourrait théoriquement niveler le terrain pour les étudiants issus de minorités ethniques ou linguistiques. Pourtant, un risque majeur guette cette transition technologique : celui de la « paresse cognitive », où l'étudiant utilise l'IA comme un simple moteur de réponses toutes faites, court-circuitant ainsi l'effort de réflexion indispensable à l'apprentissage.
Une recherche récente, publiée sous forme de prépublication (preprint) sur la plateforme arXiv, s'est penchée sur ce défi crucial. Menée auprès de 78 étudiants de cours préparatoires issus de minorités ethniques en Chine, cette étude examine comment un dispositif d'étayage pédagogique rigoureux peut transformer l'apprentissage du prompt engineering (l'art de formuler des requêtes) en une activité de pensée critique, de collaboration et d'équité éducative. Il convient de préciser que ce travail, n'ayant pas encore été évalué par les pairs, doit être analysé comme une piste de recherche prometteuse plutôt que comme une vérité scientifique établie.
Le dispositif : dépasser la simple maîtrise technique de l'outil
Trop souvent, l'enseignement du prompt engineering se limite à des recettes techniques : comment structurer une consigne, quels mots-clés utiliser, ou quel ton adopter. Cette approche purement instrumentale ne favorise pas le développement cognitif. Pour contrer cette dérive, les chercheurs ont conçu un module de trois semaines articulé autour de deux piliers pédagogiques majeurs : le flux de travail « humain dans la boucle » (human-in-the-loop) et la modélisation par l'enseignant à l'aide de « cas contrastés ».
Le principe de l'humain dans la boucle exige que l'étudiant ne prenne jamais le résultat de l'IAG pour argent comptant. À chaque étape de la génération, l'apprenant doit évaluer, corriger et réorienter la machine. Pour y parvenir, l'enseignant présente des cas contrastés : deux interactions avec l'IAG sur un même sujet, l'une naïve et passive, l'autre critique et itérative. En comparant ces deux approches, les étudiants visualisent immédiatement la différence entre subir l'outil et le diriger.
Cette méthode bouscule la posture traditionnelle de l'étudiant. L'IA n'est plus un oracle que l'on interroge passivement, mais un partenaire de discussion avec lequel on négocie le sens. Les tâches de rédaction de requêtes deviennent ainsi le support d'un dialogue collaboratif intense entre pairs.
Du monologue avec la machine au débat d'idées entre pairs
Pour mesurer l'impact de ce dispositif, les auteurs de l'étude ont utilisé l'analyse des réseaux épistémiques (epistemic network analysis), une méthode qui permet de cartographier la structure et l'évolution des discussions des étudiants lorsqu'ils travaillent en groupe. Les résultats révèlent une transformation profonde de la nature de leurs échanges.
Au début de l'expérimentation, les discussions des étudiants étaient principalement centrées sur des aspects techniques et opérationnels : comment faire fonctionner l'outil, quel bouton cliquer, ou quelle formule copier-coller. Au fil des séances, grâce à l'étayage de l'enseignant, le discours s'est déplacé vers des opérations cognitives de haut niveau. Les étudiants ont commencé à débattre de la pertinence des réponses de l'IAG, à identifier ses biais culturels ou linguistiques, et à négocier collectivement les modifications à apporter aux requêtes pour obtenir un résultat plus juste et rigoureux.
L'analyse qualitative des réflexions des étudiants confirme ce changement de paradigme. Leur sentiment d'auto-efficacité face au prompt engineering s'est considérablement amélioré. Plus important encore, ils ont développé une vigilance critique face aux biais de l'IAG, un enjeu particulièrement sensible pour des étudiants issus de minorités dont les perspectives culturelles sont souvent sous-représentées dans les bases de données d'entraînement des grands modèles de langage.
Un enjeu d'équité éducative globale
Cette recherche résonne fortement avec les préoccupations exprimées par les grandes organisations internationales. Dans ses directives sur l'IA générative dans l'éducation et la recherche, l'UNESCO insiste régulièrement sur la nécessité de protéger l'agentivité humaine et de ne pas déléguer les compétences de pensée critique aux algorithmes. De même, l'OCDE, dans ses rapports sur les perspectives de l'éducation numérique, souligne que l'équité ne se résume pas à l'accès aux technologies, mais réside dans la capacité des élèves à les utiliser de manière critique et créative.
Pour les étudiants issus de minorités, le risque de double exclusion est réel. Si l'accès à l'IAG leur permet de surmonter certaines barrières initiales (comme la maîtrise de la langue d'enseignement), une utilisation non critique peut les enfermer dans des rôles d'exécutants passifs, dépendants de technologies conçues selon des normes majoritaires. L'étayage pédagogique décrit dans l'étude montre qu'il est possible d'inverser cette tendance en faisant de l'IAG un outil d'émancipation intellectuelle.
Quelles pistes de transfert pour les enseignants francophones ?
Les conclusions de cette étude offrent des pistes d'action concrètes pour les équipes éducatives des pays francophones, que ce soit en France, au Québec, en Belgique ou en Suisse, où les questions d'inclusion et de maîtrise critique du numérique sont au cœur des réformes éducatives.
Voici comment transposer ces principes dans vos pratiques de classe :
* Concevoir des scénarios « humain dans la boucle » : Ne demandez jamais à vos élèves ou étudiants de simplement « générer un texte » avec l'IAG. Imposez un protocole de validation où ils doivent documenter chaque étape de leur interaction : la requête initiale, l'analyse critique de la réponse de l'IA, la détection des erreurs ou approximations, et la formulation d'une requête corrective.
* Utiliser la pédagogie des cas contrastés : Avant de lancer les étudiants sur une tâche, présentez-leur deux exemples d'usage de l'IAG. Montrez-leur d'un côté un travail superficiel (une seule question simple et un copier-coller du résultat) et de l'autre un travail approfondi (un dialogue structuré, des relances, une vérification des sources). Demandez-leur d'analyser la différence de valeur ajoutée entre les deux productions.
* Privilégier le travail collaboratif autour de l'IAG : L'utilisation de l'IAG ne doit pas être une activité purement individuelle et silencieuse. En faisant travailler les étudiants en petits groupes sur un unique écran pour concevoir des requêtes complexes, vous stimulez le conflit sociocognitif. Les discussions entre pairs pour décider de la « meilleure » façon de guider l'IA s'avèrent souvent plus riches en apprentissages que l'interaction avec la machine elle-même.
Évaluer le processus plutôt que le produit : Dans un monde où l'IAG peut produire un devoir correct en quelques secondes, l'évaluation doit se déplacer du produit final vers le cheminement de pensée. Évaluez la qualité du journal de bord des requêtes (prompt log*), la pertinence des corrections apportées par l'étudiant et sa capacité à justifier ses choix face aux propositions de la machine.
En transformant l'IAG d'un outil de distribution de réponses en un catalyseur de débats et de réflexion collective, les enseignants peuvent non seulement prévenir la paresse cognitive, mais aussi offrir à tous les étudiants, quelles que soient leurs origines, les clés d'une véritable citoyenneté numérique.
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.