Ei-iE

L’intelligence artificielle (IA) présente à la fois des opportunités et des défis en matière d’éducation. Premier confronté à ce paradoxe, le personnel enseignant doit se demander comment utiliser au mieux l’IA pour favoriser l’apprentissage et l’acquisition de connaissances.

Le rapport que j’ai récemment rédigé avec le Pr Jason M. Lodge, Intelligence artificielle, déchargement cognitif et implications en matière d’éducation, se penche sur un défi nouveau et majeur, à savoir le risque que les élèves externalisent une trop grande partie du travail cognitif essentiel à l’acquisition des connaissances, des compétences et de « l’infrastructure de la pensée » qui permet à la fois la réussite scolaire et la capacité à apprendre et à comprendre tout au long de la vie.

De plus en plus de preuves indiquent que l’utilisation de l’IA peut court-circuiter l’effort cognitif nécessaire à un apprentissage profond et durable, et créer ainsi une « fausse maîtrise » aux conséquences potentiellement durables. Ce déchargement cognitif de l’humain vers l’IA présente un risque particulier pour les élèves (les apprenants et apprenantes « novices » qui acquièrent des connaissances et des compétences fondamentales) qui voient en l’IA un substitut tentant et non un amplificateur, accroissant par là même leur dépendance à l’égard de cet outil et se privant d’un apprentissage plus approfondi.

Le véritable risque posé par l’IA en matière d’éducation n’est pas tant que les élèves l’utilisent pour tricher lors d’une dissertation, mais bien – phénomène beaucoup plus grave – la possible interférence fondamentale de l’IA avec les processus cognitifs de construction et de vérification des connaissances, c’est-à-dire les processus mêmes qui constituent les bases de la mémoire à long terme et les compétences ultérieures dont dépend la pensée critique.

Bien que le déchargement induit par l’IA puisse être tout à la fois bénéfique et néfaste, des données récentes viennent confirmer l’observation selon laquelle une utilisation non structurée de l’IA entraîne plutôt un déchargement préjudiciable et crée de la sorte un paradoxe de performance : si les performances à court terme des élèves s’améliorent, c’est au détriment de l’apprentissage durable à long terme. Cette tendance semble être due à la fluidité des résultats générés par l’IA, laquelle crée un semblant de compétence et encourage une paresse métacognitive qui conduit les apprenant·e·s à renoncer à l’effort de production nécessaire à l’acquisition de connaissances approfondies.

Utilisée comme une machine à réponses, l’IA est l’outil de révision passive par excellence. Elle permet à l’apprenant·e de contourner entièrement l’effet de génération. En lui fournissant la réponse, la solution ou la dissertation, elle prive celui-ci ou celle-ci de l’effort cognitif précisément nécessaire à la construction d’un savoir durable.

L’externalisation des fonctions cognitives induit également des risques supplémentaires en termes d’équité. Les recherches suggèrent ainsi que les élèves qui possèdent un niveau élevé de connaissances et de solides compétences métacognitives sont mieux à même d’exploiter l’IA pour accélérer et approfondir leur apprentissage et leur pensée critique. À l’inverse, les élèves qui ne possèdent pas ces compétences – souvent ceux qui sont déjà désavantagés – sont plus sujets à un déchargement nuisible qui les priverait de l’apprentissage dont ils ont besoin.

La bonne nouvelle, c’est qu’il est possible de contrer ces effets néfastes en recourant à des stratégies d’enseignement et d’apprentissage ciblées et à une conception efficace des technologies éducatives reposant sur l’IA. Ces stratégies renforcent l’importance d’un enseignement de qualité où l’IA jouerait un rôle de soutien auxiliaire. L’utilisation la plus efficace de l’IA dans l’enseignement primaire et secondaire ne consiste certainement pas à remplacer ou à contourner les enseignant·e·s à l’aide de tuteurs IA, mais à renforcer le personnel enseignant lui-même.

La solution pédagogique : de l’atrophie cognitive au renforcement

Les preuves d’un déchargement préjudiciable sont convaincantes, mais non déterministes ; notre rapport recense trois pistes clés pour promouvoir un usage efficace de l’IA.

Piste 1 : déchargement bénéfique et instruction par réduction de la charge

Il est possible d’utiliser l’IA pour favoriser un déchargement bénéfique et gérer la charge superflue afin de libérer des ressources en faveur de l’apprentissage intrinsèque. Cela nécessite un cadre pédagogique explicite tel que l’instruction par réduction de la charge, qui adapte les principes d’enseignement explicite utiles pour gérer l’apprentissage avec l’IA. Ce modèle permet d’utiliser l’IA pour garantir un étayage, une pratique structurée et un retour d’information qui visent à gérer la charge cognitive des apprenant·e·s et à permettre une autonomie progressive, autrement dit, à aider les élèves à mieux s'autoréguler dans leur apprentissage. Ainsi que l’ont démontré des études récentes, les élèves qui étudient ce modèle de déchargement cognitif (comme le déchargement des tâches d’écriture de faible niveau) de manière explicite font état de progrès significativement plus importants en matière de pensée critique.

L’essentiel est de mettre en œuvre des approches fondées sur des preuves, comme l’enseignement explicite et la théorie de la charge cognitive, dans le cadre de l’utilisation de l’IA générative. Le ministère de l’Éducation de Nouvelle-Galles du Sud, le plus grand système d’enseignement public en Australie, propose aux enseignants et enseignantes une formation sur la manière d’intégrer ces pratiques lorsqu’ils ou elles recourent à l’IA pour produire des plans de cours et des activités qui permettent une autonomie et une maîtrise progressives, comme par exemple l’intégration dans leurs consignes d’études de cas ou de recherches sur l’instruction par réduction de la charge.

Piste 2 : étayer la métacognition pour lutter contre la paresse

La solution la plus radicale consiste à s’attaquer directement au problème fondamental de la paresse métacognitive. Si le problème réside dans le fait que la commodité de l’IA encourage les apprenant·e·s à se décharger de leurs responsabilités métacognitives, la solution consiste à concevoir des interactions avec l’IA qui exigent et étayent explicitement ces responsabilités. Même si ces paramètres de conception échappent au contrôle direct des enseignant·e·s, ce type d’incitants peut être utilisé dans de nombreux scénarios pour aider les élèves à développer les compétences concernées. L’intégration progressive de telles fonctionnalités dans les outils d’IA sera d’un grand secours, mais les enseignant·e·s n’ont pas besoin de la technologie pour recourir à ces approches.

Les enseignant·e·s peuvent contribuer à lutter contre la paresse métacognitive en intégrant explicitement leur expertise professionnelle en matière de développement des capacités métacognitives et d’autorégulation des élèves dans le contexte de l’IA. Il leur est possible par exemple d’enseigner aux élèves comment utiliser l’IA comme un outil de vérification et de remise en question de leur raisonnement offrant des possibilités d’apprentissage et de réflexion ; d’inciter les élèves à vérifier les affirmations de l’IA en examinant les sources d’information ; ou encore de demander à l’IA d’expliquer un processus mathématique de manière différente, de fournir des exemples de travail ou de générer des problèmes pratiques.

Piste 3 : l’IA comme miroir cognitif et partenaire de vérification

Les solutions pédagogiques et technologiques les plus avancées font évoluer le rôle fondamental de l’IA, de machine à réponses (qui encourage l’externalisation passive) à un outil qui provoque une charge cognitive intrinsèque.

• L’IA comme miroir cognitif : l’IA est conçue comme une novice capable d’apprendre et présentant un déficit pédagogiquement utile. Elle feint la confusion et demande des clarifications aux apprenant·e·s humain·e·s, les obligeant ainsi à produire un effort d’explication et de réflexion et déclenchant la création de connaissances.
• L’IA comme partenaire socratique : l’IA est utilisée pour créer des difficultés souhaitables. Au lieu de contourner l’effort, l’IA est utilisée comme partenaire cognitif pour générer des questions d’entraînement à la récupération, des études de cas et des dialogues socratiques qui obligent à fournir l’effort de traitement nécessaire à un apprentissage durable.
• L’IA comme partenaire de vérification : garantir un modèle d’équilibre intellectuel où l’humain conserve la principale capacité cognitive et évalue et corrige en permanence les résultats de l’IA dans un souci de vérification.

Conclusion

Dans un monde où le déchargement cognitif et métacognitif est la norme, l’impératif éducatif est de préparer les élèves à cette réalité en leur prodiguant des connaissances approfondies et des compétences adaptatives et transférables. Cette préparation comporte deux éléments non négociables :

• Prodiguer aux élèves des connaissances approfondies et spécifiques, ainsi que les capacités de pensée analytique nécessaires pour porter un regard critique sur les résultats fluides et peu fiables que l’IA est susceptible de générer et génère effectivement.
• Favoriser le développement d’un jugement métacognitif solide et des compétences d’apprentissage autorégulé nécessaires à une pensée critique avec l’IA, en évitant le déchargement nuisible et l’abandon.

Si l’ampleur et la mesure dans lesquelles les élèves se déchargent de leurs connaissances et de leurs compétences sur l’IA soulèvent des questions fondamentales en matière d’enseignement et d’apprentissage, elles offrent également une occasion importante de valider et de renforcer le rôle du personnel enseignant. L’IA constitue peut-être un nouveau vecteur technologique pour l’éducation, mais les stratégies en vue de son intégration réussie nécessitent une réponse pédagogique forte qui renforce le rôle central des enseignants et enseignantes, qui repose sur des approches éprouvées en faveur d’un enseignement et d’un apprentissage de qualité, et qui veille à assurer l’équité.