Usage scolaire et apprentissage

Comment utiliser l'intelligence artificielle pour apprendre sans anesthésier son cerveau : décharge cognitive, illusion de compétence et méthode socratique.

6 min de lecture

#éthique
#école
#apprentissage
#sciences cognitives

En une phrase

L’usage scolaire de l’intelligence artificielle désigne la façon dont les élèves et les étudiants mobilisent les modèles de langage dans leurs études, opposant le piège de la délégation passive (qui détruit l’apprentissage) à l’étayage interactif (qui stimule la réflexion).

L’analogie

Imagine que tu souhaites t’entraîner pour courir un marathon de 42 kilomètres dans six mois. Tu achètes un vélo électrique tout neuf.

Chaque matin, au lieu d’enfiler tes baskets pour courir et transpirer sous la pluie, tu montes sur ton vélo électrique, tu allumes le moteur et tu parcours les 42 kilomètres sans donner le moindre coup de pédale et sans essoufflement. Au bout de six mois, le compteur de ton vélo affiche bien des milliers de kilomètres parcourus à vive allure. Tu es très fier de tes statistiques.

Mais le jour de la course officielle, les vélos sont strictement interdits : tu dois courir avec tes propres jambes. Au bout de huit cents mètres, tes muscles s’effondrent, tes poumons brûlent et tu abandonnes dans la douleur. Tu as confondu parcourir la distance (réaliser la tâche) avec développer tes muscles (apprendre).

L’utilisation d’un modèle de langage pour faire ses devoirs scolaires est exactement ce vélo électrique : déléguer la rédaction à une machine permet de rendre une copie brillante en dix secondes, mais cela laisse le cerveau dans le même état d’atrophie que le jour où l’on a commencé.

Comment ça marche

L’apprentissage dans le cerveau humain ne se produit pas lorsqu’on reçoit une information toute cuite : il exige ce que les sciences cognitives nomment un effort cognitif productif. C’est précisément cet effort que l’IA a tendance à court-circuiter.

La décharge cognitive (Cognitive Offloading)

Pour maîtriser une notion — qu’il s’agisse de rédiger un commentaire littéraire, de résoudre un problème de physique ou de traduire une version latine —, le cerveau doit mobiliser sa mémoire de travail :

Chercher des mots précis dans sa mémoire à long terme.
Structurer logiquement les arguments sous forme de plan.
Tâtonner, commettre des erreurs, raturer et recommencer.

Ce frottement mental est indispensable : c’est lui qui crée et renforce les connexions synaptiques durables.

Lorsqu’un élève se contente de copier le sujet dans un modèle et de recopier la réponse fournie, il opère une décharge cognitive totale. La tâche est accomplie sur le papier, le devoir est rendu à l’heure, mais aucune trace mnésique ne s’est imprimée dans son cerveau.

L’illusion de fluidité (Fluency Illusion)

Le piège le plus redoutable de l’IA conversationnelle réside dans ce que les psychologues appellent l’illusion de compétence ou illusion de fluidité.

Quand tu lis une explication générée par un grand modèle, le texte est souvent limpide, remarquablement articulé et exempt de toute hésitation. En le lisant avec fluidité, ton cerveau éprouve une sensation immédiate de facilité et se dit : « C’est tellement clair, j’ai tout compris ! ».

Mais comprendre la solution de quelqu’un d’autre est infiniment plus facile que d’être capable de la formuler soi-même à partir d’une feuille blanche. Dès que l’élève se retrouve en examen surveillé sur table, sans son écran d’assistance, l’illusion s’évanouit brutalement : incapable de retrouver les étapes du raisonnement, il se retrouve paralysé.

Une étude rigoureuse menée par des chercheurs en économie de l’éducation (Bastani et al., NBER 2024) auprès de lycéens a mesuré cet effet de façon spectaculaire : les élèves ayant révisé avec un modèle classique ont obtenu d’excellentes notes aux devoirs intermédiaires, mais ont vu leurs résultats chuter de 17 % lors de l’examen final sans IA par rapport à des élèves ayant travaillé seuls.

La frontière technologique accidentée (Jagged Frontier)

Une autre difficulté majeure provient de ce que les chercheurs de Harvard appellent la frontière technologique accidentée (jagged frontier).

Dans un logiciel classique, la difficulté d’une tâche est prévisible : si une machine sait faire une division complexe, elle sait à coup sûr faire une addition simple.

Avec les LLM, il n’en est rien : un modèle peut rédiger une brillante analyse philosophique d’un texte de Spinoza au niveau doctoral, puis se tromper lamentablement sur une devinette logique de niveau primaire ou affirmer avec aplomb qu’un kilo de plumes pèse plus lourd qu’un kilo de plomb. L’apprenant qui n’a pas encore acquis les fondamentaux de la discipline est incapable de repérer ces failles et absorbe des contrevérités comme des faits établis.

Dans la vraie vie

Des approches pédagogiques lucides permettent de transformer l’IA en allié d’apprentissage plutôt qu’en machine à désapprendre :

Le tuteur socratique : Au lieu de demander « Fais ma dissertation sur la liberté », l’élève consigne : « Je dois faire une dissertation sur la liberté. Ne me donne aucune réponse, mais pose-moi trois questions successives pour m’aider à trouver mes arguments ». L’effort cérébral reste ainsi du côté de l’humain.
Le générateur de contre-arguments : Un étudiant rédige son propre paragraphe argumenté, puis le soumet au modèle en lui demandant : « Trouve trois failles logiques dans mon raisonnement et joue le rôle d’un contradicteur impitoyable ». L’élève est contraint d’aiguiser son esprit critique pour défendre ses thèses.
L’explication alternative adaptée : Face à une notion mathématique opaque (comme les valeurs propres ou la dérivation), l’apprenant peut demander : « Explique-moi ce concept avec une analogie visuelle pour un passionné de mécanique automobile ».
L’audit des hallucinations comme exercice scolaire : De plus en plus d’enseignants distribuent des copies volontairement rédigées par des IA comportant des erreurs factuelles subtiles et demandent aux élèves de jouer les inspecteurs en sourçant chaque affirmation pour débusquer les pièges.

Idées reçues

« Copier les réponses de ChatGPT pour aller plus vite permet d’apprendre autant tout en gagnant du temps. » Les neurosciences cognitives démontrent exactement l’inverse : c’est l’effort personnel de rappel et la confrontation à l’erreur qui construisent le savoir. Court-circuiter l’effort empêche la mémorisation à long terme.
« L’intelligence artificielle est un répétiteur omniscient qui ne se trompe jamais sur les programmes scolaires. » Les modèles de langage sont des moteurs statistiques de vraisemblance, pas des bases de données de vérité. Ils peuvent inventer des dates historiques, citer des théorèmes fictifs ou fausser un calcul avec un aplomb stylistique parfait.
« Interdire totalement l’IA est la seule solution pour préserver l’école. » L’interdiction pure et simple est inapplicable hors de la classe. La seule réponse durable consiste à enseigner le fonctionnement réel de ces outils et à adapter les évaluations vers l’argumentation orale et le raisonnement critique en direct.

Pour aller plus loin

Generative AI Can Harm Learning: Evidence from a Randomized Control Trial in Schools — Hamsa Bastani, Osbert Bastani et al., 2024 (EN) : L’étude randomisée d’envergure du NBER démontrant la chute des performances à l’examen chez les lycéens ayant délégué leurs devoirs à l’IA.
Cadre d’orientation pour l’intelligence artificielle dans l’éducation — Ministère de l’Éducation nationale (France), 2024 (FR) : Les recommandations officielles françaises pour l’intégration pédagogique raisonnée des modèles génératifs dans les établissements scolaires.
Navigating the Jagged Technological Frontier — Fabrizio Dell’Acqua et al. (Harvard / BCG), 2023 (EN) : La publication documentant les disparités imprévisibles de performance des modèles et les risques d’excès de confiance des utilisateurs.