🤖 AI

A Scaffolded GenAI Lab in Early Undergraduate CS: A Mixed-Methods, Multi-Course Evaluation

Cette étude de méthodes mixtes démontre qu'une brève intervention de type « AI-Lab », étayée et déployée dans plusieurs cours de premier cycle, a réussi à accroître le confort et l'ouverture des étudiants à l'utilisation de l'IA générative pour des tâches conceptuelles et de débogage, tout en favorisant des stratégies d'engagement plus critiques et itératives, sans augmenter l'utilisation globale autodéclarée lors des travaux notés.

Auteurs originaux : Ethan Dickey, Andres Bejarano, Rhianna Kuperus, Bárbara Fagundes

Publié 2026-07-20

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Ethan Dickey, Andres Bejarano, Rhianna Kuperus, Bárbara Fagundes

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez le monde de l'informatique comme une immense bibliothèque animée où les étudiants vont pour apprendre à construire des choses avec du code. Pendant des années, les seuls outils sur les étagères étaient des manuels, des notes de cours et un peu d'aide provenant d'un professeur ou d'un ami. Mais récemment, un nouveau bibliothécaire super rapide est arrivé : l'IA générative (GenAI). Ce bibliothécaire peut écrire du code, expliquer des concepts complexes et résoudre des problèmes en un clin d'œil. Bien que cela ressemble à un rêve, c'est aussi un peu un cauchemar pour les enseignants. Ils craignent que si les étudiants demandent simplement les réponses au bibliothécaire, ils n'apprennent pas réellement à construire quoi que ce soit par eux-mêmes. Ils s'inquiètent également de la triche. Ainsi, la grande question pour les éducateurs est la suivante : comment enseigner aux étudiants comment utiliser ce nouveau bibliothécaire puissant avec sagesse, sans qu'ils ne le laissent simplement faire tout le travail ? C'est le casse-tête que les chercheurs tentent de résoudre dans le domaine de l'enseignement de l'informatique.

Entrez dans l'équipe de chercheurs de l'Université de Purdue qui ont décidé de tester un « camp d'entraînement » pour les étudiants appelé l'AI-Lab. Ils n'ont pas essayé d'interdire le bibliothécaire, ni de laisser les étudiants faire ce qu'ils voulaient. Au lieu de cela, ils ont mis en place un atelier court et structuré pour apprendre aux étudiants comment être des partenaires intelligents avec l'IA. Ils voulaient voir si cette leçon rapide changerait la façon dont les étudiants percevaient l'utilisation de l'IA et comment ils l'utilisaient réellement. Les étudiants sont-ils devenus plus confiants ? Ont-ils commencé à utiliser davantage l'IA pour leurs devoirs ? Ou ont-ils appris à l'utiliser comme un outil plutôt que comme une béquille ?

Les chercheurs ont mené cette expérience dans trois classes d'informatique et une classe d'ingénierie sur deux semestres, impliquant des centaines d'étudiants. Ils ont soumis les étudiants à des sondages avant et après l'AI-Lab pour mesurer leurs sentiments et leurs habitudes, et ils ont également organisé des discussions de groupe pour entendre les récits des étudiants avec leurs propres mots.

Voici ce qu'ils ont trouvé. Après l'atelier, les étudiants se sentaient beaucoup plus à l'aise et ouverts à l'utilisation de l'IA pour les questions conceptuelles difficiles et pour obtenir de l'aide pour leurs devoirs. Ils avaient moins peur de demander de l'aide à l'IA. Cependant, et c'est un grand « cependant », le nombre de fois où les étudiants ont déclaré avoir utilisé l'IA pour leurs devoirs notés et leurs grands projets n'a pas augmenté. Il est resté exactement le même. Le seul endroit où ils ont utilisé l'IA davantage était pour le débogage — la correction de code défectueux.

Les récits des étudiants lors des groupes de discussion expliquaient pourquoi. Avant le labo, beaucoup d'étudiants traitaient l'IA comme un bouton magique : ils tapaient une question vague et espéraient le meilleur. Si la réponse était fausse, ils abandonnaient. Après le labo, ils sont devenus comme des détectives expérimentés. Ils ont appris à donner plus de contexte à l'IA, à poser de meilleures questions et à vérifier soigneusement le travail de l'IA. Ils ont réalisé que l'IA n'est pas parfaite ; elle peut faire des erreurs, surtout en mathématiques ou en logique complexe. Ils ont commencé à la traiter comme un partenaire d'étude qui est très rapide mais qui se trompe parfois, plutôt que comme un générateur de solutions qui fait le travail à leur place. Ils ont fixé des limites claires, décidant que bien que l'IA soit excellente pour comprendre un concept ou corriger un bug, ils devaient encore faire le plus gros du travail par eux-mêmes pour leurs notes finales.

Les chercheurs sont prudents en précisant qu'ils n'ont pas prouvé que les étudiants trichaient réellement moins ou apprenaient davantage, car ils ont seulement demandé aux étudiants ce qu'ils disaient avoir fait. Mais les résultats suggèrent qu'une leçon courte et intelligente peut changer la façon dont les étudiants perçoivent l'IA. Cela semble les rendre plus confiants et stratégiques sans pour autant transformer les étudiants en personnes qui laissent simplement l'IA faire leurs devoirs. C'est comme enseigner à un conducteur comment utiliser un GPS : il peut se sentir plus confiant en conduisant dans une nouvelle ville, mais il doit toujours conduire la voiture lui-même.

Résumé technique : Un laboratoire de GenIA étayé en premier cycle de science informatique

Problématique
La disponibilité généralisée des outils d'IA générative (GenIA) a perturbé les cours d'informatique, permettant la génération et l'explication de code à la demande. Bien que les éducateurs reconnaissent la nécessité de clarifier les objectifs d'apprentissage et d'établir des limites d'intégrité, beaucoup manquent de la capacité de redéfinir entièrement leurs cours autour de la GenIA ou de construire de nouvelles infrastructures d'évaluation étendues. La littérature existante souligne la nécessité d'instruire les étudiants sur les implications éthiques et les limites, mais il existe peu de preuves concernant la manière dont de brèves interventions pédagogiques intégrées au cours peuvent favoriser un usage responsable et orienté vers l'apprentissage sans nécessiter de refonte complète des programmes. Plus précisément, il n'est pas clair si des étayages légers peuvent modifier les modèles d'utilisation auto-rapportés, l'ouverture et le niveau de confort des étudiants face à des scénarios académiques courants (questions conceptuelles, débogage, devoirs) sans augmenter par inadvertance la dépendance à la GenIA pour le travail noté.

Méthodologie
L'étude a employé une évaluation multi-cours à méthodes mixtes de l'« AI-Lab », une intervention d'étayage de la littératie en GenIA. L'étude a été menée sur deux semestres (printemps et automne 2024) dans une grande université de recherche américaine à travers trois cours de premier cycle de science informatique (DSA-CS, DSA-DSAI, CP) et un cours de première année d'ingénierie (ENGR).

Structure de l'intervention : L'AI-Lab se compose de trois éléments : (1) une orientation pré-laboratoire couvrant les attentes, les limites d'intégrité et le prompting de base ; (2) une activité en classe où les étudiants critiquent des sorties de GenIA plausibles mais incomplètes ou incorrectes sur des sujets alignés avec le cours ; et (3) un devoir post-laboratoire exigeant que les étudiants documentent et réfléchissent à leur interaction avec la GenIA pour une tâche de devoir spécifique (par exemple, l'affinement du prompt, les étapes de vérification, les échecs du modèle).
Données quantitatives : Des enquêtes appariées pré- et post-intervention ont été administrées immédiatement autour du laboratoire. La batterie d'enquêtes comprenait un instrument d'« Usage » (fréquence d'utilisation) et un instrument de « Perception » (ouverture et confort). L'analyse principale s'est concentrée sur 778 réponses appariées pour la perception et 773 pour l'usage à travers les cours de CS. L'analyse statistique a utilisé des tests de Wilcoxon signés-rangs non paramétriques pour évaluer les changements dans les réponses ordinales de type Likert, complétés par une corrélation de rang-biserial ( $r_{rb}$ ) pour l'estimation de la taille de l'effet.
Données qualitatives : Six groupes de discussion semi-structurés ont été menés 5 à 7 semaines après l'intervention avec des participants volontaires. Les transcriptions ont été analysées via une analyse thématique pour contextualiser les changements de l'enquête, en se concentrant sur les stratégies de prompting, les comportements de vérification et la définition des limites.

Contributions clés

Cadre d'évaluation : Une évaluation multi-cours à méthodes mixtes d'une brève intervention de laboratoire de GenIA étayée utilisant des enquêtes pré/post appariées et des groupes de discussion.
Preuve empirique de changements et de stabilité : Documentation des domaines où les perceptions et les pratiques des étudiants ont changé (augmentation du confort et de l'ouverture dans des scénarios spécifiques) par rapport à là où elles sont restées stables (fréquence d'utilisation pour le travail noté), incluant des résultats nuls pédagogiquement conséquents.
Structure d'intervention implémentable : Un cadre de laboratoire transférable détaillant le timing, les composants et les activités, notant explicitement les conditions limites et les menaces à la validité (par exemple, la dépendance à l'auto-déclaration).

Résultats

Résultats quantitatifs :
- Confort et Ouverture : Les étudiants ont rapporté des augmentations statistiquement significatives de leur confort à utiliser la GenIA pour les questions conceptuelles, le débogage et les devoirs. L'ouverture a augmenté de manière significative pour les questions conceptuelles et l'aide aux devoirs.
- Fréquence d'utilisation : La fréquence auto-rapportée de l'utilisation de la GenIA pour les devoirs et les projets de programmation est restée stable (pas de changement statistiquement significatif). Cependant, la fréquence auto-rapportée d'utilisation pour le débogage a augmenté de manière significative.
- Tailles d'effet : Pour les éléments montrant des changements significatifs, les tailles d'effet étaient généralement grandes ( $|r_{rb}| > 0,50$ ), indiquant un changement directionnel cohérent parmi les répondants ayant modifié leurs évaluations.
- Sous-groupes : Aucune différence statistiquement significative dans la direction ou l'ampleur du changement n'a été détectée selon les données démographiques (genre, race/ethnicité, résidence, niveau d'études), bien que celles-ci aient été traitées comme exploratoires.
Résultats qualitatifs :
- D'un usage occasionnel à un usage stratégique : Les participants sont passés d'un prompting par essais et erreurs à des stratégies plus itératives et riches en contexte (par exemple, fournir des contraintes, affiner les prompts).
- Meilleure conscience des limites : Les étudiants sont devenus plus sceptiques quant à la justesse de la GenIA, particulièrement en mathématiques et en logique complexe, et plus enclins à vérifier les sorties par rapport aux supports de cours.
- Limites et intégrité : Les étudiants ont articulé des limites plus claires, cadrant souvent la GenIA comme un support de type « assistant (TA) » pour la compréhension des concepts ou le débogage plutôt que comme un générateur de solutions pour le travail noté.
- Tension interne : Les participants ont exprimé une tension entre l'efficacité de la GenIA et le désir de maintenir la propriété de leur apprentissage et d'éviter de devenir les « marionnettes » de l'outil.

Signification et affirmations
L'article affirme qu'une intervention courte et structurée (AI-Lab) peut efficacement modifier le confort déclaré et la volonté des étudiants d'utiliser la GenIA, ainsi que l'influencer les stratégies qu'ils décrivent pour interagir avec elle. Crucialement, l'étude a constaté que ces changements se sont produits sans augmenter la fréquence globale d'utilisation auto-rapportée de la GenIA pour le travail noté (devoirs et projets).

Les auteurs positionnent ces résultats comme une preuve que des étayages légers peuvent façonner la préparation et la prise de décision des étudiants concernant la GenIA. Ils précisent explicitement que l'étude ne prétend pas mesurer des traces comportementales réelles ou des résultats d'apprentissage, ni prouver que l'intervention empêche la fraude académique. Au lieu de cela, les conclusions servent de signal informatif pour les instructeurs, suggérant qu'une instruction explicite sur les limites et les frontières n'entraîne pas nécessairement une augmentation de la dépendance inappropriée à la GenIA pour les tâches notées. L'article conclut en motivant des travaux futurs pour trianguler les auto-déclarations avec les traces comportementales et les mesures d'apprentissage afin de valider ces modèles.

Articles similaires