Exploring Teacher-Chatbot Interaction and Affect in Block-Based Programming

Cette étude qualitative auprès d'enseignants du secondaire révèle que l'utilisation de chatbots basés sur des modèles de langage dans la programmation par blocs suscite des réactions variées (exploration, frustration ou mixte) et met en lumière la nécessité de concevoir des systèmes offrant un étayage adapté, un contrôle pédagogique et des directives claires pour maximiser les bénéfices tout en atténuant les risques pour l'apprentissage et la pensée critique.

L'essentiel

🎓 Le Contexte : Des Professeurs et un "Super-Assistant"

Imaginez que vous êtes professeur de sciences au collège. Vous voulez enseigner la programmation (le code) à vos élèves, mais c'est un sujet qui peut faire peur. Soudain, une nouvelle technologie arrive : les chatbots (comme un ChatGPT très intelligent) capables d'écrire du code pour vous.

L'équipe de chercheurs (de l'Université d'État de Caroline du Nord et d'autres) a invité 11 équipes de professeurs à tester un tel assistant dans un environnement de programmation par blocs (comme des Lego numériques). L'objectif ? Voir comment ces professeurs réagissent, ce qu'ils ressentent, et s'ils pensent que c'est une bonne idée pour leurs élèves.

🎭 Les Trois Types de Professeurs (Les "Personnages")

En observant comment les professeurs interagissaient avec le robot, les chercheurs ont remarqué qu'ils ne réagissaient pas tous de la même manière. Ils ont créé trois "profils" ou personnages, un peu comme dans un jeu vidéo :

1. L'Explorateur Curieux 🧭

   • C'est qui ? Ceux qui disent : "Wow, regardons tout ça !".
   • Ce qu'ils font : Ils cliquent partout, changent les paramètres, testent des idées folles. Ils sont excités et confiants.
   • L'analogie : C'est comme un touriste qui arrive dans une nouvelle ville et décide de se perdre volontairement dans les ruelles pour découvrir des trésors cachés. Ils aiment le défi.

2. Le Praticien Efficace ⏱️

   • C'est qui ? Ceux qui disent : "On a un travail à faire, allons-y".
   • Ce qu'ils font : Ils suivent les instructions, utilisent le robot quand c'est nécessaire, et finissent vite. Ils ne perdent pas de temps à jouer avec les boutons.
   • L'analogie : C'est comme un chauffeur de taxi expérimenté qui connaît le chemin le plus court. Il utilise son GPS (le robot) juste pour vérifier l'itinéraire, mais il garde le contrôle du volant.

3. Le Frustré Perdu 😫

   • C'est qui ? Ceux qui disent : "Mais pourquoi ça ne marche pas ?!".
   • Ce qu'ils font : Ils tournent en rond, demandent de l'aide tout le temps, et se sentent bloqués. Le robot semble leur voler l'écran ou ne pas comprendre leurs demandes.
   • L'analogie : C'est comme essayer de conduire une voiture dont le volant tourne tout seul et dont le tableau de bord est caché. On se sent impuissant et énervé.

⚖️ La Balance : Les Avantages et les Pièges

Les professeurs ont eu des avis très nuancés, un peu comme lorsqu'on reçoit un cadeau magnifique mais avec une notice d'utilisation confuse.

🌟 Les Bonnes Nouvelles (Les Avantages) :

• Le Super-Remplisseur de Trous : Le robot peut aider les élèves qui sont en difficulté, leur donner des indices, et faire en sorte qu'ils ne se sentent pas "bêtes". C'est comme avoir un tuteur personnel pour chaque élève en même temps.
• L'Apprentissage du "Prompting" : Apprendre à bien demander au robot (faire des "prompts") est une nouvelle compétence importante. C'est comme apprendre à bien commander dans un restaurant : si vous savez exactement ce que vous voulez, vous obtiendrez un meilleur plat.
• Moins de Stress pour les Profs : Cela soulage la pression. Le professeur n'a plus besoin de courir partout pour aider chaque élève individuellement.

⚠️ Les Mauvaises Nouvelles (Les Risques) :

• Le Piège de la "Paresse Intelligente" : Si le robot écrit tout le code, les élèves pourraient juste copier-coller sans rien comprendre. C'est comme si un ami faisait vos devoirs pour vous : vous avez la note, mais vous n'avez rien appris.
• La Perte de la "Lutte Utile" : En programmation, il faut parfois se battre avec un problème pour apprendre. Si le robot résout tout trop vite, on rate cette étape cruciale de réflexion.
• La Confusion : Parfois, le robot donne une réponse qui semble logique mais qui est fausse, ou l'interface est mal faite (le chatbot cache le code). C'est frustrant pour le professeur qui ne sait plus si c'est lui ou la machine le problème.

💡 Ce que les Professeurs Demandent (Les Conseils)

Pour que cette technologie soit vraiment utile, les professeurs ont donné des conseils très clairs, comme des règles pour un jeu de société :

1. Le Professeur doit garder le "Bouton Marche/Arrêt" : Ils veulent pouvoir désactiver certaines fonctions (comme la génération automatique de code) si l'exercice vise à apprendre les bases. Ils veulent choisir quand le robot aide et comment.
2. Adapter le niveau (Différenciation) : Le robot doit être capable de s'adapter. Pour un élève débutant, il doit donner beaucoup d'aide. Pour un élève avancé, il doit juste donner un petit indice. C'est comme un professeur qui s'adapte au niveau de chaque enfant.
3. Rendre les choses claires : Le robot ne doit pas juste donner la réponse, il doit expliquer pourquoi. C'est comme un professeur qui ne donne pas juste la réponse à un problème de maths, mais qui explique la méthode.
4. Être inclusif : Le robot doit pouvoir parler, lire à voix haute, ou utiliser des images pour aider les élèves qui ont des difficultés avec la lecture ou l'anglais.

🏁 En Résumé

Cette étude nous dit que l'intelligence artificielle dans les écoles est un outil puissant, mais pas magique.

Si on le laisse faire n'importe quoi, il peut rendre les élèves paresseux et frustrer les professeurs. Mais si on le conçoit bien, avec des garde-fous et en gardant le professeur aux commandes, il peut devenir le meilleur ami de la classe : un assistant qui aide tout le monde à apprendre, à son propre rythme, sans jamais remplacer le rôle essentiel du professeur humain.

C'est un peu comme une voiture autonome : elle peut vous emmener loin, mais vous devez toujours avoir la main sur le volant pour décider de la destination et rester en sécurité ! 🚗💨

Résumé technique

1. Problématique et Contexte

L'intégration des modèles de langage (LLM) et des chatbots dans l'éducation K-12 a accéléré depuis 2022, soulevant des préoccupations pédagogiques et éthiques majeures. Bien que ces outils puissent accélérer l'apprentissage, leur utilisation non structurée risque de réduire l'effort cognitif nécessaire à l'acquisition de compétences profondes (notamment en programmation), d'entraver le développement de la pensée critique et de créer des ambiguïtés sur l'intégrité académique.

Le problème central identifié par les auteurs est le manque de compréhension des perspectives des enseignants concernant l'utilisation de ces chatbots en classe, en particulier dans des environnements de programmation par blocs (block-based programming). Il existe un besoin critique de concevoir des systèmes qui ne se contentent pas de générer du code, mais qui soutiennent les enseignants dans la gestion de l'interaction humain-IA, en équilibrant l'efficacité, l'autonomie de l'apprenant et le contrôle pédagogique.

2. Méthodologie

L'étude a été menée lors d'un atelier de développement professionnel (PD) en été 2025, impliquant 25 enseignants du secondaire (8 enseignants leaders expérimentés et 17 participants novices) de disciplines scientifiques et mathématiques.

• Environnement d'étude : Les participants ont utilisé Stax.fun, un environnement de programmation par blocs (inspiré de Scratch) intégrant un copilot IA (chatbot). Ce chatbot offrait quatre modes :
  • Code : Génération de blocs via des prompts naturels.
  • Q&A : Réponses aux questions conceptuelles.
  • Coach : Guidance étape par étape pour construire un projet.
  • Prompts : Affinement des invites de l'utilisateur.
• Tâches : Les enseignants ont travaillé en binômes sur des activités de programmation liées aux interactions des ondes (lumière, son) avec différents matériaux (rideau, verre, miroir, etc.).
• Collecte de données :
  • Enregistrement vidéo et audio (Zoom) avec pensée à voix haute (think-aloud).
  • Traces d'interaction (prompts, révisions, changements d'onglets).
  • Discussions post-activité (15 minutes) sur les perceptions et l'intention d'usage.
• Analyse : Une approche mixte a été utilisée :
  1. Analyse comportementale et affective : Codage temporel des émotions (positif, neutre, négatif) et des stratégies, triangulé avec les enregistrements vidéo.
  2. Analyse thématique : Analyse qualitative des discussions pour identifier les bénéfices, les risques et les besoins pédagogiques.
  3. Modélisation : Création de profils d'utilisateurs (personas) et intégration dans les cadres théoriques TAM (Technology Acceptance Model) et TPB (Theory of Planned Behavior).

3. Résultats Clés

A. Profils d'Interaction (Personas)

L'analyse des données a permis d'identifier trois profils distincts d'enseignants face au chatbot :

1. Explorateurs (Explorers) : Ont passé le plus de temps sur la tâche, affiché des émotions majoritairement positives (curiosité, excitation), ont affiné leurs prompts et switché entre les onglets. Ils ont peu sollicité de l'aide.
2. Centrés sur la tâche (Task-Focused) : Ont travaillé efficacement avec des émotions positives et neutres, suivant les instructions sans hésitation majeure.
3. Frustrés (Frustrated) : Ont affiché des émotions négatives élevées (confusion, frustration), ont passé beaucoup de temps sur des échecs répétés, et ont fortement dépendu de l'aide des facilitateurs.

B. Impact Affectif et Facteurs de Stress

Les émotions des enseignants étaient liées à trois types de défis :

• L1 (Interface/Interaction) : Problèmes techniques (prompts disparaissant, chatbot occupant trop d'espace écran) générant confusion et frustration.
• L2 (Pensée Computationnelle/Science) : Difficultés cognitives liées à la logique des ondes ou au débogage.
• L3 (Suivi des instructions) : Ambiguïtés dans le cadrage des tâches.
• Observation : Les émotions négatives étaient souvent déclenchées par des problèmes d'interface (L1) plutôt que par l'incompréhension du contenu scientifique.

C. Perceptions des Bénéfices et des Risques

• Bénéfices perçus :
  • Augmentation de la confiance en soi (self-efficacy) des élèves.
  • Développement des compétences en prompting (art de formuler des requêtes).
  • Soutien à la différenciation pédagogique (aide aux élèves en difficulté ou défis pour les avancés).
  • Réduction de la charge de travail des enseignants (débogage assisté).
• Risques perçus :
  • Perte de la « lutte productive » (productive struggle) : risque que les élèves contournent le processus de réflexion nécessaire à l'apprentissage.
  • Dépendance excessive et manque de compréhension du code généré (copier-coller sans comprendre).
  • Érosion des compétences de débogage et de résolution de problèmes.

D. Recommandations Pédagogiques des Enseignants

Les enseignants ont exprimé le besoin de contrôle sur les fonctionnalités du chatbot :

• Possibilité de désactiver la génération de code pour forcer l'apprentissage des bases.
• Niveaux de réponse ajustables (ex: donner le code vs donner des indices).
• Limitation du nombre de prompts autorisés pour créer du défi.
• Nécessité d'une introduction structurée (scaffolding) avant l'utilisation de l'outil.

4. Contributions et Cadres Théoriques

L'article propose une intégration des modèles TAM (Acceptation de la technologie) et TPB (Théorie du comportement planifié) pour expliquer l'intention d'adoption des chatbots par les enseignants.

• Les émotions (curiosité, frustration) agissent comme des médiateurs entre les facteurs contextuels (design du système, tâches) et les perceptions d'utilité/facilité d'utilisation.
• Les profils « Explorateurs » et « Centrés sur la tâche » correspondent à une haute perception d'utilité, de facilité d'utilisation et de contrôle comportemental, tandis que les profils « Frustrés » montrent l'inverse.
• L'étude met en lumière l'importance de la conscience situationnelle (Situation Awareness) : les enseignants ont besoin de comprendre pourquoi le chatbot a généré un code spécifique, pas seulement d'obtenir le code.

5. Signification et Recommandations de Conception

Cette étude fournit des directives cruciales pour la conception de chatbots éducatifs :

1. Support à la différenciation : Le chatbot doit s'adapter au niveau de compétence de l'élève (plus de guidage au début, moins à mesure que l'autonomie progresse), avec un contrôle possible par l'enseignant.
2. Intégration pédagogique contrôlée : Les enseignants doivent pouvoir activer/désactiver la génération de code complète pour éviter le contournement de l'apprentissage fondamental.
3. Accessibilité et diversité : Adaptation des sorties (visuelles, audio, traduction) pour les élèves ayant des besoins spécifiques (langue, lecture).
4. Transparence et Explicabilité : Le système doit fournir des commentaires sur le code généré et expliquer ses choix pour maintenir la conscience situationnelle de l'utilisateur.
5. Soutien instrumental vs Empathie : Au-delà de l'empathie verbale, le chatbot doit offrir des stratégies de réparation conversationnelle concrètes (clarifier les objectifs, reformuler) pour aider à résoudre les blocages.

Conclusion :
L'étude conclut que les chatbots LLM ont un potentiel transformateur pour l'enseignement de la programmation par blocs, mais uniquement s'ils sont conçus avec une scaffolding (étayage) rigoureuse et un contrôle pédagogique. L'adoption réussie dépend de la capacité de l'outil à renforcer l'agence de l'enseignant et de l'élève, plutôt qu'à remplacer leur effort cognitif.