💻 computer science

A Discipline-Agnostic AI Literacy Course for Academic Research: Architecture, Pedagogy, and Implementation

Ce document présente la conception, le cadre théorique et la mise en œuvre réussie d'un cours sur la littératie en IA, indépendant des disciplines, à l'Université Lehigh, qui vise spécifiquement l'examen rigoureux de la littérature assisté par l'IA grâce à une architecture en quatre modules, démontrant des progrès significatifs dans la confiance des étudiants concernant la détection des hallucinations, l'utilisation responsable et les pratiques d'attribution.

Auteurs originaux : Gideon K. Gogovi

Publié 2026-05-01

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Gideon K. Gogovi

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 enseignez à un groupe d'étudiants comment naviguer dans une bibliothèque massive et chaotique. Autrefois, ils devaient parcourir les allées, lire chaque livre et prendre des notes à la main. Aujourd'hui, ils disposent d'un assistant robotique ultra-rapide, incroyablement savant, mais qui hallucine parfois, capable de résumer des livres, d'organiser les étagères et même de rédiger des ébauches pour eux en quelques secondes.

Le problème ? De nombreux étudiants laissent le robot faire la réflexion à leur place. Ils font confiance au robot aveuglément, même lorsqu'il invente de faux livres ou mélange les faits. Ils obtiennent la « réponse » mais perdent la « compréhension ».

Ce papier décrit un nouveau cours de 13 semaines conçu pour corriger cela. C'est comme un cours de « conduite automobile » pour l'utilisation de l'IA dans la recherche académique, mais au lieu de leur apprendre à construire la voiture (coder l'IA), il leur apprend à être des conducteurs sûrs et intelligents, sachant quand prendre le volant et quand laisser l'autopilote aider.

Voici la décomposition du cours, expliquée simplement :

L'idée centrale : La règle de « l'engagement vérifié »

La règle la plus importante de ce cours est : Vous devez pouvoir expliquer tout ce que vous soumettez, même si l'IA vous a aidé à l'écrire.

Pensez-y comme un chef utilisant un sous-chef. Le sous-chef (l'IA) peut hacher les légumes et mélanger la sauce, mais le chef (l'étudiant) doit goûter le plat, savoir exactement ce qu'il contient et pouvoir dire au client : « Oui, j'ai fait cela, et voici pourquoi c'est bon ». Si le chef ne peut pas expliquer la recette, il n'est pas le chef ; il n'est qu'un livreur.

La structure du cours : Quatre étapes vers la maîtrise

Le cours est construit comme une échelle à quatre barreaux. On ne peut pas sauter un barreau.

Étape 1 : Comprendre l'article individuel (Le détective)
- La tâche : Les étudiants apprennent à lire un seul article de recherche.
- Le rôle de l'IA : L'IA agit comme un traducteur. Si un article utilise un jargon confus, l'IA l'explique.
- La contrainte : L'étudiant doit lire l'article avant ou en même temps que l'IA. Il apprend à repérer quand l'IA invente une fausse citation (une « hallucination ») ou se trompe sur un fait.
- La métaphilosophie : L'IA est une lampe de poche, pas une carte. Elle vous aide à voir le chemin, mais vous devez toujours le parcourir.
Étape 2 : Organiser les connaissances (Le bibliothécaire)
- La tâche : Maintenant qu'ils comprennent un article, ils doivent organiser 50 articles dans un système logique (une « taxonomie »).
- Le rôle de l'IA : L'IA aide à trier les articles par catégories (par exemple, « études sur les enfants » vs « études sur les adultes »).
- La contrainte : L'IA est mauvaise pour voir les modèles profonds ; elle regroupe souvent des choses simplement parce qu'elles partagent un mot-clé. Les étudiants apprennent à vérifier le tri de l'IA pour s'assurer qu'il a réellement du sens.
- La métaphilosophie : L'IA est un commis d'archivage, mais l'étudiant est le gestionnaire qui décide si le système d'archivage est réellement utile.
Étape 3 : Trouver les pièces manquantes (L'explorateur)
- La tâche : Examiner la pile organisée d'articles et trouver ce qui n'y est pas. Où se situe le vide dans les connaissances ?
- Le rôle de l'IA : L'IA aide à scanner les tendances et suggère où la recherche fait défaut.
- La contrainte : L'IA ment souvent sur ce qui est « important » ou invente des vides qui n'existent pas. Les étudiants apprennent à vérifier si un vide est réel ou simplement une illusion créée par l'IA.
- La métaphilosophie : L'IA est une boussole, mais l'étudiant doit décider quelle direction vaut la peine d'être explorée.
Étape 4 : Rédiger la revue (L'architecte)
- La tâche : Combiner le tout dans une revue de littérature finale.
- Le rôle de l'IA : L'IA peut rédiger des paragraphes ou vérifier la cohérence.
- La contrainte : L'argument final doit être celui de l'étudiant. Si l'IA rédige un paragraphe, l'étudiant doit le réécrire si profondément qu'il ressemble à lui.
- La métaphilosophie : L'IA fournit les briques et le mortier, mais l'étudiant conçoit le bâtiment.

Comment ils l'ont enseigné (Le « secret »)

Le cours comportait quelques astuces intelligentes pour s'assurer que les étudiants apprenaient réellement :

Attendre pour les effrayer : Au lieu de commencer le cours en disant : « L'IA ment beaucoup ! », l'enseignant a laissé les étudiants utiliser l'IA pendant quelques semaines d'abord. Au moment où ils ont appris les « hallucinations », les étudiants avaient déjà vu l'IA faire des erreurs eux-mêmes. C'était comme montrer à un étudiant un pneu crevé après qu'il ait essayé de conduire dessus, plutôt que de simplement parler de pneus dans un cours magistral.
Le système des « reçus » : Chaque fois qu'un étudiant utilisait l'IA, il devait tenir un journal détaillé : « J'ai posé cette question spécifique à l'IA, elle m'a donné cette réponse, et j'ai vérifié ces trois sources pour m'assurer que c'était vrai ». Ce journal était noté. Si vous n'aviez pas les reçus, vous échouiez, même si l'article final semblait bon.
Classes mixtes : La classe comprenait à la fois des étudiants de premier cycle et des doctorants. Les doctorants ont partagé comment l'IA fonctionnait différemment dans leurs domaines spécifiques (comme la biologie par rapport à l'histoire), aidant tout le monde à voir que l'IA n'est pas une solution universelle.

Qu'est-il arrivé ? (Les résultats)

Le papier rend compte de la toute première fois où ce cours a été enseigné au printemps 2026. Ils ont demandé aux étudiants à quel point ils se sentaient confiants avant et après le cours.

Les grandes victoires : Les étudiants se sentaient massivement plus confiants dans trois domaines :
1. Repérer les mensonges de l'IA : Ils sont passés de « Je n'en ai aucune idée » à « Je peux repérer ces erreurs ».
2. Utiliser l'IA de manière responsable : Ils ont appris exactement comment créditer l'IA et quand ne pas l'utiliser.
3. Organiser la recherche : Ils se sentaient beaucoup mieux pour trier de grandes piles d'informations.
L'effet « plafond » : Pour les choses où ils étaient déjà plutôt bons (comme simplement lire des articles), leur confiance n'a pas autant augmenté. C'est normal ; il est difficile de beaucoup s'améliorer si vous commencez déjà à un niveau élevé.
Retours des étudiants : Les étudiants ont déclaré que la partie la plus difficile était la quantité de travail (tenir les journaux et vérifier tout), mais ils ont convenu que cela en valait la peine. Un étudiant a dit : « J'ai appris à utiliser l'IA pour structurer ma pensée, pas pour la générer. »

La conclusion

Ce papier soutient que nous ne devrions pas interdire l'IA dans les écoles, et nous ne devrions pas seulement apprendre aux gens à la coder. Au lieu de cela, nous devons leur apprendre à être des superviseurs critiques de l'IA.

Le cours prouve que vous pouvez apprendre aux étudiants à utiliser l'IA comme un outil puissant sans permettre qu'elle remplace leur propre cerveau. Il s'agit de construire l'habitude de se demander : « Est-ce vrai ? » et « Ai-je vérifié cela ? » avant d'appuyer sur « soumettre ». Le but n'est pas de rendre les étudiants dépendants de l'IA ; il s'agit de les rendre compétents en matière d'IA.

1. Énoncé du problème

L'intégration rapide de l'IA générative (GenAI) dans les flux de travail académiques a dépassé l'adaptation des programmes d'études, créant un fossé critique en matière de littératie en recherche par l'IA. Les offres éducatives actuelles se divisent en deux catégories inadéquates :

Cours techniques sur l'IA : Axés sur la construction de systèmes d'IA (ML/NLP), ils ne s'adressent qu'à des publics spécialisés et échouent à traiter la manière dont les chercheurs consomment les outils d'IA.
Interventions de littératie générale : Ateliers brefs qui élèvent la conscience éthique mais échouent à développer les compétences durables et basées sur la pratique requises pour une recherche rigoureuse.

La conséquence spécifique de ce fossé est une utilisation non soutenue de l'IA : les étudiants déléguent des tâches cognitives (comme les revues de littérature) sans comprendre les limites des outils, les protocoles de vérification ou les normes d'attribution. Cela conduit à une « dépendance à l'IA » plutôt qu'à une « littératie en IA », caractérisée par un engagement superficiel avec la littérature primaire, des citations hallucinées et des violations de l'intégrité. L'article identifie la revue de littérature assistée par l'IA comme le domaine le plus conséquent pour une intervention, en raison de sa complexité et des risques uniques d'hallucination de l'IA dans la synthèse savante.

2. Méthodologie et architecture du cours

L'article rend compte de la conception, de la mise en œuvre et de l'évaluation préliminaire de BSTA 495/395 : Getting Started with AI-Assisted Research (Débuter avec la recherche assistée par l'IA), un cours de 13 semaines, sans prérequis et agnostique à la discipline, à l'Université Lehigh (Printemps 2026).

A. Cadre pédagogique

Le cours repose sur trois piliers théoriques :

Apprentissage étayé (Vygotsky) : Les outils d'IA agissent comme des étayages pour gérer la complexité, mais les étudiants doivent développer des compétences analytiques indépendantes pour fonctionner éventuellement sans eux. Le principe fondamental est « l'engagement vérifié » : les étudiants doivent expliquer et défendre indépendamment chaque affirmation, quelle que soit la contribution de l'IA.
Théorie de la confiance responsable : La confiance en l'IA doit être calibrée en fonction de la tâche spécifique et de la fiabilité de l'outil. Par exemple, la génération de citations par des LLM généraux (risque élevé d'hallucination) nécessite une vérification à 100 %, tandis que l'extraction structurée à partir de plateformes soutenues par des index ne requiert qu'un contrôle ponctuel.
Concepts seuils : Le cours traite « l'IA comme étayage cognitif (et non comme remplacement) » comme un concept seuil transformateur qui réoriente la manière dont les étudiants s'engagent dans la recherche.

B. Architecture à quatre modules

Le programme est organisé en quatre modules séquentiels correspondant à l'arc cognitif d'une revue de littérature :

Module A (Compréhension) : Axé sur la compréhension des articles individuels. Les étudiants apprennent la lecture stratégique (résumés/tableaux indépendants d'abord, puis l'IA pour la terminologie) et l'évaluation critique de la méthodologie.
Module B (Organisation) : Axé sur la construction et la validation de taxonomies de connaissances. Les étudiants utilisent l'IA pour classer les articles mais doivent valider la structure en utilisant la fiabilité inter-juges (coefficient $\kappa$ de Cohen) pour assurer la distinction conceptuelle.
Module C (Innovation) : Axé sur l'identification des lacunes. Les étudiants apprennent à distinguer les lacunes de recherche réelles des « convergences fallacieuses » (l'IA regroupant des articles par mots-clés plutôt que par concepts). Ce module inclut une typologie systématique des hallucinations (citation, statistique, théorique) enseignée après que les étudiants les aient vécues de première main.
Module D (Synthèse) : Axé sur la production d'une revue de littérature complète. La distinction entre écriture assistée par l'IA et rédigée par l'IA est centrale. Les étudiants doivent réussir des tests de « profondeur de révision » et de « suppression » pour prouver leur maîtrise de l'auteur.

C. Conception de la mise en œuvre

Agnostique aux outils : Le cours utilise cinq plateformes (ChatGPT, Claude, Elicit, Consensus, Semantic Scholar) pour enseigner des compétences transférables (ingénierie de prompts, détection de biais) plutôt que des compétences spécifiques à une plateforme.
Double inscription : Les étudiants de premier cycle (395) et de troisième cycle (495) apprennent ensemble, favorisant une comparaison interdisciplinaire des modes de défaillance de l'IA.
Évaluation et éthique : L'éthique est traitée comme un sujet d'étude, et non seulement comme une politique. Un modèle d'attribution de l'IA standardisé est requis pour chaque devoir, documentant les prompts, les sorties, les étapes de vérification et les corrections d'erreurs. La note finale accorde un poids important au processus (60 % des devoirs hebdomadaires) plutôt qu'au produit (25 % de la revue finale).

3. Contributions clés

Modèle de programme : Fournit une architecture modulaire et reproductible pour la littératie en recherche par l'IA, intégrant la compétence technique, l'évaluation critique, l'éthique et la méthodologie dans un seul cours d'un semestre.
Innovation pédagogique :
- Séquençage Expérience avant Taxonomie : L'instruction sur les hallucinations et les biais est placée après que les étudiants aient utilisé les outils de manière extensive, transformant les avertissements abstraits en explications rétrospectives de phénomènes observés.
- Éthique en tant que sujet : Va au-delà des politiques de conformité pour enseigner le jugement principiel requis pour une utilisation éthique de l'IA.
- Évaluation centrée sur le processus : Utilise les journaux d'utilisation de l'IA et les modèles d'attribution pour rendre le processus de recherche visible et évaluable.
Principes de conception : Établit cinq principes fondamentaux pour les futurs programmes d'IA : concevoir pour le transfert (et non les outils), organiser autour des flux de travail de recherche, séquencer l'instruction sur les modes de défaillance après l'expérience, traiter l'éthique comme un sujet, et évaluer le processus, pas seulement le produit.

4. Résultats (Preuves de résultats préliminaires)

Les données ont été collectées auprès de la cohorte inaugurale du printemps 2026 ( $N=27$ pour l'enquête préliminaire, $N=26$ paires appariées pour l'analyse) à l'aide d'enquêtes avant et après le cours.

Gains de confiance : Des augmentations significatives ont été observées dans tous les domaines de compétence.
- Gains les plus importants :
  - Pratique d'attribution de l'IA : $\Delta M = +2.00$ , $d = +2.40$ (Très grand).
  - Détection d'hallucinations : $\Delta M = +1.20$ , $d = +1.45$ (Très grand).
  - Utilisation responsable de l'IA : $\Delta M = +1.03$ , $d = +1.33$ (Très grand).
  - Organisation des taxonomies : $\Delta M = +0.91$ , $d = +1.23$ (Très grand).
- Gains modérés : La lecture d'articles, l'évaluation de la méthodologie et la reconnaissance des limites ont montré des gains modérés ( $d \approx 0.5-0.7$ ), probablement en raison d'un « effet de plafond » où les étudiants entraient avec une confiance de base plus élevée.
Évaluation des compétences : Les étudiants ont rapporté une maîtrise proche du plafond pour « l'IA comme étayage » ( $M=4.58$ ) et la « pratique éthique de l'IA » ( $M=4.50$ ).
Retour qualitatif : Les étudiants ont identifié la vérification/détection d'hallucinations et l'ingénierie de prompts comme les compétences les plus précieuses. Ils ont noté que le cours les aidait à structurer leur pensée plutôt qu'à simplement générer du contenu.
Charge de travail : Les étudiants ont signalé que les devoirs hebdomadaires étaient chronophages, suggérant la nécessité d'une optimisation future des exigences de documentation.

5. Importance

Cet article établit un modèle fondamental pour le genre émergent des programmes de littératie en recherche par l'IA. Son importance réside dans :

Combler le fossé : Il répond au besoin spécifique des chercheurs d'utiliser l'IA en tant que consommateur d'outils, et non seulement en tant que développeur, comblant ainsi un vide entre les cours techniques d'informatique et les ateliers d'éthique superficiels.
Évolutivité : La conception agnostique à la discipline et sans prérequis permet aux institutions de déployer ce programme dans divers domaines (STEM, humanités, sciences sociales) sans exiger de connaissances techniques préalables.
Redéfinition de l'intégrité : En déplaçant l'accent de l'« interdiction de l'IA » vers l'« enseignement d'un engagement vérifié », le cours prépare les étudiants à un avenir où l'IA est omniprésente dans la recherche. Il fournit un cadre concret pour la propriété de l'auteur à l'ère de l'IA générative.
Validation empirique : Les données préliminaires démontrent qu'une approche structurée et étayée peut améliorer rapidement et significativement la confiance et la compétence des étudiants dans des domaines à haut risque tels que la détection d'hallucinations et l'attribution, validant ainsi la conception théorique du cours.

L'article conclut que la littératie en recherche par l'IA est une compétence enseignable et transférable qui doit être intégrée au cœur de l'éducation aux méthodes de recherche pour garantir l'intégrité et la rigueur des travaux académiques futurs.