L'apprentissage de l'intelligence artificielle (IA) et du machine learning (ML) est souvent perçu par les étudiants comme un terrain de jeu purement empirique. Face à un algorithme qui ne fonctionne pas ou à un modèle peu performant, le premier réflexe est bien souvent le tâtonnement : modifier un paramètre au hasard, relancer la machine, observer le résultat, et recommencer. Ce comportement d'exploration par essais et erreurs, s'il est naturel, freine le développement d'une pensée informatique structurée et rigoureuse.
Pour dépasser ce constat, des chercheurs en éducation aux technologies numériques explorent de nouvelles pistes de conception pédagogique. Une étude récente, publiée sous forme de prépublication (preprint) sur la plateforme arXiv, s'est penchée sur l'impact d'un « feedback orienté stratégies » au sein d'un jeu d'apprentissage numérique dédié à la construction d'arbres de décision. Il convient de préciser qu'en tant que prépublication, ce travail n'a pas encore fait l'objet d'une évaluation formelle par les pairs. Néanmoins, sa méthodologie — basée sur l'analyse de captures vidéo d'écrans (screencasts) et de données d'interaction — offre des pistes concrètes pour repenser l'évaluation et l'accompagnement des apprenants en informatique.
Le piège du tâtonnement systématique en informatique
En éducation informatique, et plus particulièrement en apprentissage automatique, les tâches demandent une forte régulation métacognitive. L'étudiant doit être capable de planifier sa démarche, de décomposer un problème complexe, de formuler des hypothèses, puis de vérifier méthodiquement ses résultats. Or, face à la frustration de l'erreur, la persistance s'étiole rapidement. Les apprenants ont tendance à abandonner toute stratégie logique pour se replier sur un mode de résolution purement exploratoire, souvent inefficace à long terme.
L'étude menée par les chercheurs s'appuie sur un jeu sérieux conçu pour enseigner la construction d'arbres de décision. Pour contrer le phénomène de tâtonnement, les concepteurs ont intégré un module de feedback adaptatif. Contrairement aux systèmes classiques qui se contentent d'indiquer si la réponse est correcte ou incorrecte (feedback de résultat), ce module évalue en continu la stratégie de l'étudiant. Il intervient de manière personnalisée pour guider l'apprenant dans sa démarche de résolution : diagnostic de l'erreur, décomposition des étapes, choix de la méthode et validation systématique.
Rendre explicites les démarches de résolution
Le feedback orienté stratégies ne donne pas la solution. Il agit comme un tuteur qui poserait des questions d'auto-réflexion. Par exemple, si un étudiant modifie de manière répétée et désordonnée les critères de division d'un nœud dans son arbre de décision, le système ne lui dira pas quel critère choisir. Il lui adressera plutôt un message du type : « Vous avez modifié ce paramètre à plusieurs reprises sans observer d'amélioration. Quelle hypothèse cherchez-vous à tester ? Essayez d'isoler une seule variable pour mesurer son impact réel. »
Cette approche s'inspire directement des théories de l'échafaudage cognitif (scaffolding) et de l'autorégulation de l'apprentissage. En forçant l'étudiant à verbaliser ou à conscientiser sa démarche, le feedback l'aide à structurer sa pensée. Les analyses vidéo menées lors de l'étude montrent que les étudiants exposés à ces retours stratégiques réduisent de manière significative leurs comportements de tâtonnement chaotique. Ils passent plus de temps à analyser la structure de leurs données avant de soumettre une modification, développant ainsi une persistance plus productive.
Un enjeu crucial pour l'avenir de l'enseignement de l'IA
Ce changement de paradigme dans la conception des feedbacks résonne avec des préoccupations internationales plus larges. À l'échelle mondiale, l'intégration de l'IA dans les programmes scolaires et universitaires pose la question des compétences fondamentales à transmettre. L'UNESCO, dans ses directives sur l'intelligence artificielle générative dans l'éducation, souligne régulièrement l'importance de développer l'esprit critique et la compréhension systémique des technologies, plutôt qu'une simple maîtrise technique d'exécution.
De même, des recherches antérieures en didactique de l'informatique, notamment celles publiées lors des conférences de l'ACM (Association for Computing Machinery), ont démontré que l'enseignement explicite de stratégies de résolution de problèmes améliore non seulement les compétences en programmation, mais renforce également le sentiment d'auto-efficacité des étudiants. Lorsque le feedback se concentre sur le processus plutôt que sur le produit final, l'erreur perd son statut de sanction pour devenir un outil de diagnostic et d'apprentissage.
Quelles pistes de transfert pour les enseignants francophones ?
Pour les équipes éducatives francophones — que ce soit dans le cadre des cours de Numérique et Sciences Informatiques (NSI) en France, des programmes de cégep au Québec, ou des formations universitaires en Europe —, cette approche offre des perspectives très concrètes :
* Concevoir des grilles d'évaluation axées sur le processus : Au lieu de noter uniquement le fonctionnement d'un code ou la précision d'un modèle de machine learning, attribuez une part significative des points à la documentation de la démarche (tenue d'un journal de bord de programmation, justification écrite des choix d'architecture).
Intégrer des pauses métacognitives : Lors des travaux pratiques, incitez les étudiants à s'arrêter après chaque échec pour formuler par écrit une hypothèse claire avant de modifier leur code. Des questions simples comme « Qu'est-ce que cette erreur m'apprend sur mon modèle ? » ou « Quelle est la prochaine étape logique ? »* peuvent être intégrées directement dans les cahiers d'exercices numériques (Jupyter Notebooks).
* Scénariser les outils d'apprentissage en ligne : Si vous utilisez des plateformes d'apprentissage ou des exerciseurs, veillez à ce que les messages d'erreur ne soient pas de simples validations binaires. Proposez des indices progressifs qui guident l'étudiant vers la décomposition du problème.
* Valoriser la démarche scientifique : Enseignez le machine learning non pas comme une recette de cuisine, mais comme une science expérimentale. Cela implique d'insister sur la phase de diagnostic (analyse des données, détection des biais) et de vérification (validation croisée, analyse des courbes d'apprentissage) plutôt que sur la seule recherche de la performance maximale.
En déplaçant le curseur du « quoi » (le résultat) vers le « comment » (la stratégie), les enseignants peuvent aider les futurs professionnels de l'informatique et de l'IA à acquérir une rigueur méthodologique indispensable. À l'heure où les outils d'IA générative peuvent écrire du code à la demande, la véritable valeur ajoutée des humains résidera précisément dans leur capacité à concevoir, diagnostiquer et piloter des stratégies de résolution de problèmes complexes.
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.