Les synthèses empiriques consacrées à l’IA générative en éducation dégagent un signal positif sur les acquis cognitifs. Elles ne permettent toutefois pas de conclure que l’outil améliore systématiquement l’apprentissage, ni que ses effets se retrouvent à l’identique d’une discipline ou d’un niveau scolaire à l’autre. Leur résultat le plus instructif est précisément la forte variabilité des effets.
Des effets moyens positifs, mais difficiles à comparer
Dans l’enseignement supérieur, une méta-analyse réunissant 36 études expérimentales et 132 effets estime à g = 0,499 l’effet moyen de l’IA générative sur les résultats d’apprentissage. Cette valeur correspond à un effet modéré. Les travaux examinés portent sur plusieurs disciplines, notamment les STEM, la programmation et l’écriture académique.
Une autre méta-analyse, fondée sur 49 articles couvrant l’enseignement scolaire et supérieur, rapporte des effets moyens plus élevés : 0,857 pour la performance scolaire et 0,803 pour la motivation. Les auteurs relèvent des différences selon le niveau d’éducation et la discipline, sans que les extraits disponibles permettent d’en restituer précisément la répartition.
Une troisième synthèse, toutes disciplines confondues, aboutit à un effet global de 0,68. Elle distingue les résultats cognitifs, pour lesquels l’effet atteint g = 0,795, les compétences, à g = 0,711, et la dimension affective, à g = 0,507. Les effets y sont particulièrement élevés en mathématiques, en sciences et en humanités, et plus faibles, bien que significatifs, en informatique ainsi qu’en formation médicale ou paramédicale.
Ces chiffres ne doivent pas être additionnés ni lus comme des estimations interchangeables. Les synthèses ne couvrent pas exactement les mêmes populations, disciplines, interventions ou critères d’évaluation. Elles convergent vers un effet moyen positif, mais son ampleur dépend fortement de ce qui est mesuré et de la manière dont l’IA est intégrée à l’enseignement.
Une dispersion qui interdit les conclusions générales
La synthèse expérimentale consacrée aux acquis cognitifs en STEM fait apparaître une hétérogénéité de I² = 96,32 %. Un tel niveau indique que les différences observées entre les résultats ne relèvent pas seulement des fluctuations d’échantillonnage.
Son intervalle de prédiction s’étend de g = −1,52 à g = 3,20. Il inclut donc aussi bien des effets négatifs que des gains très importants. Cet intervalle ne permet pas de prédire le résultat d’une classe particulière, mais il montre qu’un effet moyen positif peut recouvrir des situations profondément différentes.
La bonne question n’est donc pas de savoir si « l’IA » fonctionne en général. Il faut identifier l’activité concernée, le rôle attribué à l’outil, le niveau des apprenants, la discipline, la durée de l’intervention et le critère retenu pour juger de l’apprentissage.
Augmenter l’activité plutôt que s’y substituer
Les résultats les plus robustes apparaissent lorsque l’IA générative augmente une activité pédagogique existante : tutorat complémentaire, feedback sur un programme informatique ou un texte, aide à la compréhension et accompagnement d’une production. À l’inverse, les effets peuvent devenir neutres ou négatifs lorsque l’outil se substitue à l’activité attendue de l’élève ou de l’étudiant.
Cette distinction ne se réduit pas à la présence ou à l’absence d’une consigne. Elle porte sur la fonction de l’outil dans la tâche. Un feedback que l’apprenant doit examiner et exploiter ne sollicite pas les mêmes processus qu’une réponse complète qu’il peut reprendre sans résolution personnelle.
Une revue systématique sur les travaux pratiques universitaires de sciences conclut ainsi que l’IA générative peut soutenir la compréhension conceptuelle, la résolution de problèmes et des stratégies métacognitives lorsqu’elle est intégrée à un dispositif pédagogique structuré. Cette revue ne fournit cependant pas, dans l’extrait disponible, le nombre d’études examinées. Ses conclusions ne doivent donc pas être transformées en estimation chiffrée de l’efficacité des laboratoires assistés par IA.
Les résultats cognitifs sont mieux établis que les autres
La méta-analyse consacrée à l’enseignement supérieur distingue plusieurs catégories de résultats. Certains effets liés à la compréhension, aux productions cognitives ou créatives et aux apprentissages de niveau supérieur atteignent environ g = 0,669 ou g = 0,504. Les effets sont plus modestes pour les dispositions, à g = 0,452, et pour les résultats de type note, réussite ou achèvement, à g = 0,363.
Les données restent en revanche insuffisantes sur l’inclusion, l’estime de soi et l’application des connaissances. Plus largement, la motivation, l’engagement et l’autorégulation sont souvent évalués par des auto-questionnaires. Ces instruments renseignent sur la perception des apprenants, mais n’ont pas la même portée qu’un test de connaissances, un score de projet ou une performance observée en programmation ou en rédaction.
L’effet de 0,803 sur la motivation rapporté par l’une des méta-analyses constitue donc un résultat notable, pas une preuve que l’IA améliore durablement la motivation dans tous les contextes. Les synthèses disponibles sont plus convergentes sur les acquis cognitifs que sur les dimensions socio-affectives et autorégulatrices.
Des résultats encourageants au collège, mais surtout qualitatifs
Une revue centrée sur l’enseignement des sciences au collège rapporte des contributions positives à la réussite scolaire, à la compréhension conceptuelle ainsi qu’aux littératies scientifique et numérique. Elle mentionne aussi l’engagement affectif et certaines attitudes liées aux apprentissages.
Ces résultats sont toutefois présentés sous forme de synthèse qualitative, et non de méta-analyse. L’extrait consulté ne précise pas le nombre d’études empiriques incluses. Ils complètent donc les estimations quantitatives, sans fournir une taille d’effet directement comparable.
Une revue plus large des usages en primaire et dans le secondaire constate par ailleurs une concentration des recherches sur les matières STEM, notamment les mathématiques, les sciences et l’informatique scolaire. Là encore, le nombre d’études et la période exacte ne sont pas établis dans les éléments disponibles.
Ce que le corpus ne permet pas de décrire
La composition détaillée de la principale synthèse STEM reste insuffisamment documentée dans les extraits accessibles. Il n’est pas possible d’en donner de manière fiable le nombre exact d’études, les années couvertes ou la ventilation entre primaire, collège, lycée et université. La répartition par pays et par sous-disciplines — physique, chimie, technologie ou ingénierie — ne peut pas davantage être reconstituée.
Aucune comparaison internationale précise ne peut donc être tirée de ce dossier. Les résultats ne permettent pas non plus d’affirmer qu’un effet observé dans l’enseignement supérieur se transférera automatiquement à une classe du secondaire. Enfin, les éléments disponibles ne suffisent pas à établir les effets à long terme d’un usage régulier de l’IA générative sur la capacité à travailler sans assistance.
Les études synthétisées sont expérimentales ou quasi expérimentales. Elles comparent généralement un groupe utilisant une IA générative à un groupe suivant un enseignement traditionnel ou utilisant un outil numérique non génératif. Cette organisation autorise des inférences causales dans le cadre précis des protocoles étudiés, mais pas une généralisation sans précaution à tous les outils, établissements ou usages.
Quelles précautions pour une expérimentation locale ?
Pour les équipes éducatives, quatre principes se dégagent.
Définir une fonction pédagogique précise. Il est plus pertinent d’évaluer un usage — feedback, tutorat ou soutien à la programmation — que l’IA générative prise comme une catégorie uniforme.
Préserver l’activité cognitive de l’apprenant. Le dispositif doit permettre de distinguer l’aide apportée par l’outil du travail effectivement réalisé par l’élève ou l’étudiant.
Associer déclarations et mesures objectives. Un questionnaire de motivation peut compléter un test de connaissances, un projet ou une production évaluée, mais ne devrait pas s’y substituer.
Documenter les conditions de mise en œuvre. Niveau, discipline, consigne, durée d’exposition, modalités de feedback et nature du groupe de comparaison sont indispensables pour interpréter un résultat local.
Les recherches disponibles ne justifient ainsi ni une promesse générale d’efficacité ni un rejet indifférencié. Elles indiquent un bénéfice moyen sur les apprentissages cognitifs, assorti d’une incertitude considérable. L’enjeu scientifique et pédagogique consiste désormais à déterminer dans quelles tâches et sous quel encadrement ce bénéfice devient reproductible.
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.