L'intelligence artificielle ne se contente plus de jouer le rôle de tuteur ou d'assistant pour les enseignants ; elle s'invite désormais sur les bancs de l'école sous les traits d'« élèves synthétiques ». Cette perspective, qui consiste à simuler le comportement d'apprenants pour tester des dispositifs pédagogiques ou entraîner les futurs enseignants, franchit une nouvelle étape scientifique. Une équipe de chercheurs vient de publier une étude sur le cadre de modélisation nommé INSIDE (Internal Student Dialogue). L'objectif : ne plus seulement simuler les réponses visibles des élèves, mais modéliser leur raisonnement latent, c'est-à-dire le cheminement mental, cognitif et affectif qui les conduit à une réponse.
Cette approche pose des questions cruciales pour l'avenir de l'ingénierie pédagogique : ces simulateurs peuvent-ils réellement aider à concevoir de meilleurs cours, ou risquent-ils de nous enfermer dans une boucle de rétroaction artificielle déconnectée de la réalité des classes ?
La méthode INSIDE : décoder la boîte noire cognitive
Jusqu'à présent, les simulateurs d'élèves basés sur des grands modèles de langage (LLM) se concentraient principalement sur la fidélité des actions observables. On demandait à l'IA de se comporter comme un élève de troisième en difficulté face à un problème d'algèbre, et le modèle générait une réponse, juste ou fausse.
Pourtant, en pédagogie, deux élèves peuvent soumettre exactement la même mauvaise réponse pour des raisons totalement différentes. L'un peut avoir un problème de compréhension conceptuelle profonde, tandis que l'autre a simplement fait une erreur d'inattention ou a été distrait par une formulation ambiguë. C'est ce que les chercheurs appellent le « raisonnement latent ».
Le framework INSIDE propose de fine-tuner (ajuster) les modèles de langage pour qu'ils génèrent un dialogue interne avant de produire une action. Ce dialogue est structuré autour de la célèbre taxonomie de Bloom, englobant trois dimensions : cognitive (ce que l'élève comprend ou ne comprend pas), affective (son niveau de frustration, de confiance ou d'ennui) et comportementale (la stratégie qu'il décide d'adopter). En entraînant les modèles sur des paires de « traces de pensée » et d'actions, les chercheurs affirment avoir grandement amélioré la fidélité de la simulation par rapport aux méthodes de requêtage (prompting) classiques.
Un changement de paradigme pour l'ingénierie pédagogique
Pour les concepteurs de technologies éducatives (EdTech) et les chercheurs en sciences de l'éducation, disposer d'un simulateur capable de verbaliser ses doutes et ses blocages est une mine d'or.
Traditionnellement, pour tester l'efficacité d'un nouveau logiciel éducatif ou d'un parcours d'apprentissage, il faut mener des tests utilisateurs longs et coûteux auprès de vrais élèves. Ces tests sont indispensables mais difficiles à organiser à grande échelle en raison des contraintes logistiques et de protection des données des mineurs.
Des élèves synthétiques hautement réalistes permettraient de réaliser des pré-tests massifs. Un concepteur pourrait soumettre son nouveau module de géométrie à des milliers de profils d'élèves simulés (du profil très scolaire au profil fâché avec les mathématiques) pour identifier immédiatement les points de friction, les consignes mal comprises ou les sauts conceptuels trop abrupts. De même, ces outils pourraient servir à entraîner les tuteurs intelligents à fournir des rétroactions (feedbacks) beaucoup plus ciblées, adaptées non pas à l'erreur commise, mais à la cause de l'erreur.
Limites scientifiques et éthiques : attention aux mirages
Si ces perspectives sont séduisantes, elles appellent à une extrême vigilance de la part de la communauté éducative.
En premier lieu, il convient de rappeler la nature de la source : l'étude présentant le framework INSIDE est un document de recherche prépublié (preprint) sur la plateforme arXiv. Elle n'a pas encore subi le processus rigoureux d'évaluation par les pairs (peer-review) qui caractérise les publications scientifiques validées. Les résultats, bien que prometteurs, doivent donc être accueillis avec prudence.
Sur le plan scientifique, un biais fondamental demeure : les LLM sont entraînés sur des corpus de textes gigantesques rédigés par des adultes. Ils simulent la psychologie enfantine ou adolescente par imitation statistique et non par une réelle compréhension des stades de développement cognitif décrits par la psychologie de l'éducation. Un élève synthétique de 8 ans généré par une IA ne pense pas comme un enfant de 8 ans ; il reproduit ce que les adultes écrivent sur la manière dont un enfant de 8 ans est censé penser.
Sur le plan éthique, le risque majeur est celui de la « chambre d'écho ». Si les concepteurs de programmes scolaires ou d'outils numériques commencent à valider leurs méthodes pédagogiques sur des élèves synthétiques eux-mêmes conçus par des algorithmes, on risque de créer un système éducatif hors-sol. L'éducation est une pratique profondément humaine, sociale et incarnée. Les émotions d'un élève dans une classe (le bruit ambiant, la relation avec l'enseignant, la fatigue, la faim) ne se résument pas à des variables dans un modèle de langage.
Quelles pistes de transfert pour l'espace francophone ?
Pour les acteurs de l'éducation en France, au Québec ou en Belgique, ces recherches ouvrent néanmoins des pistes de réflexion concrètes, notamment pour la formation des enseignants.
La formation initiale et continue des enseignants pourrait grandement bénéficier de simulateurs de classe. À l'image des simulateurs de vol pour les pilotes, un enseignant stagiaire pourrait s'exercer à mener une séance de cours face à une classe d'élèves synthétiques dotés de personnalités et de niveaux de compréhension variés. L'enseignant pourrait tester différentes stratégies de remédiation et observer, en temps réel, comment le « dialogue interne » des élèves simulés évolue. Cela permettrait de développer des compétences de gestion de classe et de différenciation pédagogique dans un environnement sécurisant, avant de se retrouver devant de vrais élèves.
De plus, les ministères de l'Éducation et les laboratoires de recherche francophones auraient tout intérêt à encadrer ces technologies. Plutôt que de subir les outils développés par les géants de la tech anglophones, il est crucial de développer des modèles de simulation ancrés dans les spécificités des programmes scolaires francophones et respectueux des théories de l'apprentissage validées par la recherche francophone en sciences de l'éducation.
La simulation du raisonnement des élèves par l'IA est une avancée technique indéniable, mais elle ne doit en aucun cas remplacer l'observation réelle et l'évaluation en classe. Elle doit rester ce qu'elle est : un outil de laboratoire pour affiner nos hypothèses, avant de les confronter à la seule réalité qui compte, celle des élèves en chair et en os.
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.