💻 computer science

Self-Regulated Personal Contracts as a Harm Reduction Approach to Generative AI in Undergraduate Programming Education

Cette étude évalue un contrat d'IA générative non contraignant et autorégulé dans un cours de programmation de premier cycle, constatant que, bien qu'il ait réussi à favoriser la conscience de soi et la responsabilité chez de nombreux étudiants, la charge cognitive liée au maintien de directives intentionnelles a souvent conduit à l'abandon sous la pression académique, soulignant les défis de l'alignement de l'agentivité des étudiants avec la facilité d'utilisation sans restriction de l'IA.

Auteurs originaux : Aadarsh Padiyath, Jessica Shen, Barbara Ericson

Publié 2026-07-08

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Aadarsh Padiyath, Jessica Shen, Barbara Ericson

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 que vous apprenez à cuisiner. Vous avez un nouvel assistant de cuisine incroyablement puissant (l'IA générative) qui peut couper les légumes, mélanger les sauces et même dresser l'assiette en quelques secondes. Le problème est que si vous laissez l'assistant tout faire, vous n'apprendrez jamais vraiment à cuisiner. Mais si vous interdisez totalement l'assistant, vous risquez de vous épuiser à essayer de couper des oignons pendant trois heures alors que vous êtes déjà fatigué.

C'est le dilemme auquel sont confrontés les étudiants qui apprennent la programmation aujourd'hui. Ils ont accès à des outils d'IA capables d'écrire du code instantanément, mais ils ont du mal à décider quand les utiliser et quand faire le travail par eux-mêmes.

Ce document décrit une expérience où des chercheurs ont tenté de résoudre ce problème, non pas en interdisant l'IA, mais en proposant aux étudiants un « Contrat Personnel ». Voyez cela non pas comme un document juridique signé avec le sang, mais plutôt comme un plan de remise en forme ou un pacte alimentaire que vous passez avec vous-même.

Voici comment l'expérience s'est déroulée, décomposée simplement :

La mise en place : Une zone « sans jugement »

Les chercheurs ont pris 217 étudiants d'un cours de programmation Python de niveau intermédiaire. Au lieu de dire « Pas d'IA autorisée » ou « Utilisez l'IA comme bon vous semble », ils leur ont demandé d'écrire leurs propres règles.

Le contrat comprenait quatre étapes principales au cours du semestre :

L'objectif : « Qu'est-ce que je veux réellement retirer de ce cours ? » (par exemple, « Je veux comprendre comment fonctionnent les boucles », et non pas seulement « Je veux un A »).
Le plan : « Voici ma règle personnelle pour l'utilisation de l'IA. » (par exemple, « Je ne demanderai à l'IA d'expliquer un message d'erreur que si je suis bloqué depuis 30 minutes », ou « Je ne laisserai jamais l'IA écrire toute la fonction pour moi »).
Le point d'étape : À mi-parcours, les étudiants ont fait un retour en arrière. « Ai-je suivi mes règles ? Mes règles m'ont-elles aidé à apprendre ? »
La revue finale : À la fin, ils ont réfléchi à ce qu'ils avaient appris sur eux-mêmes.

Crucialement, ce contrat n'était pas imposé. Personne n'était puni pour avoir enfreint ses propres règles. La seule exigence était de remplir le document. Il était conçu pour être un miroir, pas un policier.

Ce qui a fonctionné : L'effet « Nouveau Conducteur »

Les résultats ont montré que cette approche fonctionnait très bien pour les étudiants qui étaient nouveaux dans la gestion de l'IA.

L'analogie : Imaginez un nouveau conducteur qui n'a jamais conduit auparavant. Il ne connaît pas encore les règles de la route. Si vous lui donnez une carte et une liste de contrôle de « Quand s'arrêter, quand avancer », il devient un conducteur beaucoup plus sûr.
Le résultat : Environ 58 % des étudiants ont déclaré que le contrat avait changé leur façon de penser. Ils ont réalisé qu'ils utilisaient l'IA de manière machinale (comme une béquille) et ont commencé à l'utiliser de manière intentionnelle (comme un outil). Ils ont créé des règles spécifiques de type « Si-Alors », comme : « Si je suis bloqué pendant 20 minutes, ALORS je peux demander un indice à l'IA, mais pas la réponse. »
Pourquoi cela a fonctionné : Pour ces étudiants, le contrat a agi comme un échafaudage (comme des petites roues de maintien). Cela les a aidés à transformer des sentiments vagues en plans concrets.

Ce qui n'a pas fonctionné : Le « Piège de la Volonté »

Cependant, le contrat présentait une faille majeure. Il reposait entièrement sur la mémoire et la volonté des étudiants.

L'analogie : Imaginez que vous écriviez un régime sur un morceau de papier le lundi. Mercredi, vous avez faim, vous êtes fatigué et stressé. Vous oubliez l'existence de ce papier. Vous mangez le cookie. Le papier ne vous a pas arrêté parce qu'il n'était pas sur le chemin du cookie.
Le résultat :
- L'oubli : De nombreux étudiants ont admis avoir oublié le contrat entre les points d'étape. C'était juste un fichier sur un ordinateur qu'ils ne consultaient pas.
- La cocotte-minute : Lorsque les échéances approchaient et que les étudiants étaient épuisés, 11 % d'entre eux ont admis avoir abandonné leurs propres règles. L'IA offrait une « voie rapide » pour terminer les devoirs, et la « voie lente » de l'apprentissage semblait trop difficile. Même s'ils savaient qu'ils ne devaient pas utiliser l'IA, la pression était trop forte.
- Les étudiants « déjà doués » : Environ 25 % des étudiants avaient déjà leurs propres règles strictes. Pour eux, le contrat n'était qu'une formalité. Ils n'avaient pas besoin des roues de maintien ; ils faisaient déjà du vélo.

La grande conclusion

Le document conclut que la simple prise de conscience ne suffit pas.

Savoir que vous devriez manger des légumes ne vous empêche pas de manger du gâteau lorsque vous êtes stressé. De même, savoir que vous devriez apprendre à coder ne vous empêche pas d'utiliser l'IA lorsque vous êtes fatigué et en retard dans vos devoirs.

Le « Contrat Personnel » était un excellent outil pour aider les étudiants à commencer à réfléchir à leurs choix. Mais il ne pouvait pas les forcer à respecter ces choix lorsque la vie devenait difficile. Les chercheurs suggèrent que pour que cela fonctionne à long terme, nous devrons peut-être changer l'environnement (comme mettre les cookies dans une boîte verrouillée) plutôt que de compter uniquement sur la volonté de l'étudiant.

En bref : Le contrat a aidé les étudiants à réaliser qu'ils avaient un choix, mais il ne pouvait pas toujours les aider à faire le choix difficile quand le compte à rebours tournait.

Résumé technique : Les contrats personnels auto-régulés comme approche de réduction des risques pour l'usage de l'IA générative dans l'enseignement de la programmation de premier cycle

Énoncé du problème

Les étudiants de premier cycle en programmation sont confrontés à un flux constant de décisions implicites concernant l'utilisation des outils d'IA générative (GenAI) tels que ChatGPT et Copilot. Ces décisions sont fréquemment dictées par des pressions externes — telles que le stress lié aux échéances, le comportement des pairs et les anxiétés liées à la carrière — plutôt que par un alignement explicite avec des objectifs d'apprentissage personnels. De plus, alors que les instructeurs adoptent souvent des politiques binaires (prohibition totale ou acceptation sans restriction), ces approches « taille unique » ne parviennent pas à répondre à la diversité des motivations et des niveaux de compétence de la population étudiante. En outre, les affordances sans friction de la GenAI encouragent souvent une utilisation passive, axée sur la productivité, qui mine l'apprentissage profond et l'auto-efficacité. Le problème central est un manque d'agentivité étudiante et de capacité d'autorégulation pour naviguer dans la tension entre la facilité d'utilisation de l'outil et l'effort cognitif requis pour une véritable acquisition de compétences.

Méthodologie

Les auteurs ont mis en œuvre une intervention de type « Contrat de GenAI » fondée sur la théorie de l'apprentissage autorégulé (SRL - Self-Regulated Learning) et la philosophie de la réduction des risques (Harm Reduction) au sein d'un cours de Python de niveau intermédiaire ( $N=217$ ) dans une grande université publique de recherche.

Cadre théorique : La conception opérationnalise le modèle de SRL en trois phases de Zimmerman (prévision, performance, auto-réflexion) et la théorie des intentions d'implémentation (planification « si-alors »). L'approche de réduction des risques reconnaît que les étudiants utiliseront la GenAI indépendamment de la politique ; l'objectif passe donc de l'abstinence au soutien d'une prise de décision intentionnelle et éclairée.
Conception de l'intervention : Le contrat était un outil de réflexion non contraignant et non sanctionné, évalué uniquement sur la base de la complétion. Il consistait en quatre invites distribuées sur un semestre de onze semaines :
1. Semaine 2 (Étapes 1 et 2) : Les étudiants ont articulé des objectifs d'apprentissage personnels spécifiques et ont créé des directives d'utilisation « si-alors » (ex. : « Je n'utiliserai la GenAI qu'après 30 minutes de lutte indépendante »).
2. Semaine 5 (Étape 3) : Réflexion post-examen de mi-session 1 sur les modèles d'utilisation réels, l'alignement avec les objectifs et les ajustements des directives.
3. Semaine 11 (Étape 4) : Réflexion post-examen de mi-session 2 sur l'utilisation au cours du semestre, les niveaux de confiance et les déclarations de planification finale pour l'apprentissage futur.
Collecte de données : L'analyse reposait sur l'examen qualitatif des soumissions de contrats par les étudiants et sur des données auto-déclarées. L'équipe de recherche a identifié des modèles d'engagement, d'alignement des objectifs et d'adhésion comportementale sans calculer la fidélité inter-juges, positionnant ce travail comme un rapport d'expérience.

Principales contributions

Opérationnalisation de la réduction des risques dans l'enseignement de l'informatique : Le document démontre une application pratique des principes de réduction des risques dans l'enseignement de la programmation, passant de la surveillance du comportement au soutien de l'agentivité et de la métacognition de l'étudiant.
Impact différencié des interventions de SRL : L'étude fournit des preuves que les échafaudages d'autorégulation sont plus efficaces pour les étudiants initiant de nouveaux comportements (novices sans habitudes établies de GenAI) mais moins efficaces pour modifier des habitudes existantes fortes, qu'elles soient productives ou improductives.
Identification du « fossé de la volonté » : La recherche met en évidence une limite critique des interventions purement réflexives : la conscience ne se traduit pas automatiquement par un changement de comportement durable. Les étudiants ont fréquemment abandonné leurs propres directives face à la pression du temps, révélant que l'autorégulation seule est insuffisante face à l'attrait à faible coût des affordances par défaut de la GenAI.

Résultats

Engagement élevé : Les taux de complétion étaient élevés (97 % pour les étapes initiales, 85 % pour la réflexion finale), indiquant que les étudiants étaient disposés à s'engager dans le processus de réflexion.
Changements comportementaux : 58 % des étudiants ont déclaré que le contrat avait changé leur façon de penser, les aidant à établir des structures de responsabilité et à faire des choix plus délibérés.
Persistance des habitudes : 25 % des étudiants sont arrivés avec des pratiques de GenAI déjà établies (soit très restrictives, soit très permissives) et ont trouvé le contrat confirmatoire plutôt que transformateur.
Attrition des directives : 13 % des étudiants ont oublié le contrat entre les points de contrôle et 11 % ont explicitement abandonné leurs directives sous la pression des échéances.
Commentaires des étudiants : Les étudiants ont suggéré que l'intervention ne s'intégrait pas dans leur flux de travail réel. Ils ont demandé des points de contrôle plus fréquents (hebdomadaires plutôt que par mi-session), des exemples concrets d'utilisation responsable et un étayage technique (ex. : des outils d'IA qui imposent des étapes d'apprentissage) pour réduire la charge cognitive de l'autorégulation.

Signification et affirmations

Le document affirme que, bien que les contrats personnels d'autorégulation soient un outil précieux pour rendre explicites les choix implicites et soutenir les étudiants qui manquent de stratégies de GenAI établies, ils ne sont pas une panacée. Les auteurs soutiennent que l'utilisation intentionnelle de la GenAI requiert plus que la simple conscience de soi ; elle nécessite un soutien environnemental et structurel.

La portée de ce travail réside dans sa conclusion modeste : pour de nombreux étudiants, le « choix le plus agentique » peut être le non-usage délibéré de la GenAI, plutôt qu'une lutte pour l'utiliser « correctement » contre la conception même de l'outil. Les auteurs suggèrent que les futures interventions éducatives doivent dépasser la simple réflexion individuelle pour inclure des conceptions techniques et pédagogiques qui réduisent le fardeau de l'autorégulation, potentiellement en intégrant des contraintes d'apprentissage directement dans les outils eux-mêmes. L'étude sert d'appel aux éducateurs pour qu'ils reconnaissent les limites des interventions basées sur la volonté face à des outils d'IA hautement accessibles et optimisés pour la productivité.