🤖 AI

Profiles of AI Dependency: A Latent Class Analysis of Filipino Students' Academic Competencies

Cette étude utilise l'analyse des classes latentes sur 651 étudiants philippins de l'enseignement supérieur à Pampanga pour identifier quatre profils distincts de dépendance à l'IA, révélant que les étudiants ayant une forte reliance sur l'IA présentent des compétences académiques nettement plus faibles, soulignant ainsi le besoin urgent de politiques éducatives qui équilibrent l'intégration de l'IA avec la préservation de la pensée critique et des compétences académiques essentielles.

Auteurs originaux : Emerson Q. Fernando, Julius Ceazar G. Tolentino, Maria Anna D. Cruz, Jordan L. Salenga, Vernon Grace M. Maniago, Juvy C. Grume, Erika M. Pineda, Aileen P. De Leon, John Paul P. Miranda

Publié 2026-05-01

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Emerson Q. Fernando, Julius Ceazar G. Tolentino, Maria Anna D. Cruz, Jordan L. Salenga, Vernon Grace M. Maniago, Juvy C. Grume, Erika M. Pineda, Aileen P. De Leon, John Paul P. Miranda

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 un groupe d'étudiants comme une équipe d'explorateurs tentant de résoudre un labyrinthe. Autrefois, ils devaient utiliser leur propre cerveau, leurs cartes et leurs boussoles pour trouver leur chemin. Aujourd'hui, ils disposent d'un nouvel outil puissant : un « GPS Magique » (l'intelligence artificielle) capable de leur indiquer instantanément le chemin le plus court.

Ce document est une étude sur la façon dont les étudiants universitaires philippins utilisent ce GPS Magique. Les chercheurs voulaient savoir : Ces étudiants apprennent-ils encore à naviguer dans le labyrinthe par eux-mêmes, ou laissent-ils le GPS faire tout le travail à leur place ?

Voici la décomposition de leurs résultats en termes simples :

Le Contexte : Qui et Où ?

Les chercheurs ont examiné 651 étudiants universitaires dans la province de Pampanga, aux Philippines. Ils ont interrogé ces étudiants sur leur utilisation de l'IA pour cinq tâches spécifiques :

Pensée critique : Résoudre des problèmes par eux-mêmes.
Rédaction : Mettre des mots sur papier.
Indépendance : Apprendre sans aide.
Recherche : Trouver des faits et des sources.
Engagement : Maintenir son intérêt en classe.

La Grande Découverte : Quatre Types d'Explorateurs

En utilisant une méthode statistique spéciale (pensez-y comme à une « machine de tri » qui regroupe les gens selon leurs habitudes), les chercheurs ont découvert que les étudiants ne sont pas tous identiques. Ils se répartissent en quatre groupes distincts :

Les « Super Navigateurs » (Apprenants indépendants très engagés) :
- Qui sont-ils : Ces étudiants possèdent les compétences les plus solides. Ils n'utilisent le GPS Magique que lorsqu'ils ont vraiment besoin d'une vérification rapide, mais ils savent toujours lire la carte eux-mêmes.
- Résultat : Ils sont les plus compétents en matière de réflexion, de rédaction et de recherche.
Les « Copilotes Intelligents » (Utilisateurs sélectifs de l'IA) :
- Qui sont-ils : Ces étudiants sont bons en rédaction et en recherche. Ils traitent le GPS comme un assistant utile — l'utilisant pour accélérer les choses, mais sans le laisser conduire la voiture.
- Résultat : Ils possèdent de solides compétences et utilisent l'IA comme un outil, et non comme une béquille.
Les « Conducteurs à la Dérive » (Utilisateurs modérés de l'IA) :
- Qui sont-ils : Ces étudiants sont corrects dans la plupart des domaines, mais ils commencent à trop compter sur le GPS, en particulier lorsqu'il s'agit d'apprendre par eux-mêmes.
- Résultat : Leurs compétences sont moyennes, mais ils deviennent un peu trop dépendants de l'outil.
Les « Zombies du GPS » (Apprenants dépendants de l'IA) :
- Qui sont-ils : Ce groupe est en difficulté. Ils ont laissé le GPS Magique prendre le volant complètement. Ils pensent à peine par eux-mêmes, écrivent peu de leur propre chef et peinent à trouver des informations sans l'IA.
- Résultat : Ils possèdent les compétences académiques les plus faibles de tous. Ils sont si habitués à ce que l'IA fasse le travail que leurs propres « muscles » (compétences) s'affaiblissent.

Ce que les Données Nous Disent

La Tendance : De nombreux étudiants utilisent l'IA pour faire le gros du travail de recherche et de rédaction. Bien que cela rende les choses plus rapides, l'étude a révélé que plus ils s'y fient, plus leurs propres compétences fondamentales s'affaiblissent.
Le Problème des « Seniors » : Fait intéressant, les étudiants plus âgés (les seniors) étaient plus dépendants de l'IA que les étudiants de première année. C'est comme si, plus ils utilisaient le GPS, moins ils faisaient confiance à leur propre capacité à naviguer.
Aucun Biais de Genre ou de Niveau : Peu importait que l'étudiant soit un garçon ou une fille, ou qu'il soit un élève brillant ou en difficulté. Les meilleurs élèves et ceux en difficulté utilisaient l'IA de manière similaire. La différence résidait dans la façon dont ils l'utilisaient (comme un outil par rapport à un remplacement).

La Conclusion Principale

Le document met en garde contre le fait que, bien que l'IA soit un raccourci pratique, trop s'y fier revient à laisser un robot faire vos devoirs. Si vous faites cela, vous obtiendrez peut-être la réponse, mais vous n'apprendrez pas à résoudre le problème par vous-même.

Les chercheurs suggèrent que les écoles doivent enseigner aux étudiants comment utiliser le GPS avec sagesse (littératie numérique en IA) plutôt que de simplement l'interdire ou de les laisser l'utiliser aveuglément. L'objectif est de maintenir les propres « compétences de navigation » des étudiants (pensée critique et rédaction) solides, même lors de l'utilisation de la nouvelle technologie.

En bref : L'IA est un excellent outil, mais si vous la laissez conduire la voiture entièrement, vous risquez d'oublier comment conduire. L'étude a révélé qu'un groupe spécifique d'étudiants a déjà oublié comment conduire, et les écoles doivent les aider à reprendre le volant.

1. Énoncé du problème

L'étude aborde la préoccupation croissante selon laquelle la dépendance aux outils d'intelligence artificielle (IA), en particulier l'IA générative (par exemple, ChatGPT), érode les compétences académiques fondamentales des étudiants de l'enseignement supérieur. Bien que l'IA offre des avantages tels que des retours en temps réel et la génération de contenu, il existe un risque de « délestage cognitif », entraînant :

Une réduction des compétences en pensée critique et en rédaction.
Un affaiblissement de l'indépendance d'apprentissage et des capacités de recherche.
Un passage de l'apprentissage en profondeur à l'accomplissement superficiel de tâches.

La littérature existante se concentre souvent sur les attitudes générales ou des domaines académiques isolés et manque d'approches statistiques centrées sur la personne pour identifier des profils comportementaux, en particulier dans des régions sous-représentées comme les Philippines. Cette étude vise à combler cette lacune en analysant la dépendance à l'IA dans cinq domaines spécifiques au sein du contexte philippin.

2. Méthodologie

Conception de la recherche : Étude quantitative transversale.
Participants :
- Taille de l'échantillon : 651 réponses valides (sur 800 collectées) provenant d'étudiants universitaires.
- Données démographiques : Étudiants de 45 institutions publiques et privées accréditées par la Commission sur l'enseignement supérieur (CHED) de Pampanga, aux Philippines.
- Profil : Âge moyen de 20,22 ans ; prédominance d'étudiants de première et troisième année ; distribution mixte des genres.
Instrument : Un questionnaire de 24 items mesurant cinq dimensions de compétences académiques :
1. Pensée critique (CT)
2. Compétences en rédaction (WS)
3. Indépendance d'apprentissage (LI)
4. Compétences en recherche (RS)
5. Engagement académique (AE)
- Fiabilité : Une cohérence interne élevée a été confirmée via l'alpha de Cronbach ( $\alpha > 0,92$ pour tous les construits).
Collecte des données : Enquête en ligne (Google Forms) menée d'octobre 2024 à janvier 2025 utilisant un échantillonnage par boule de neige.
Analyse statistique :
- Statistiques descriptives : Pour analyser les moyennes et les écarts-types des scores de dépendance.
- Analyse des classes latentes (LCA) : Utilisée pour identifier des sous-groupes distincts (profils) d'étudiants basés sur leurs schémas de dépendance à l'IA. L'adéquation du modèle a été déterminée en utilisant le critère d'information d'Akaike (AIC) et le critère d'information bayésien (BIC).
- Analyse du Chi-deux : Pour examiner les relations entre les variables démographiques (genre, année d'études, performance) et les classes latentes identifiées.

3. Contributions clés

Profilage centré sur la personne : Contrairement aux études antérieures se concentrant sur des approches centrées sur les variables, cette étude utilise la LCA pour catégoriser les étudiants en profils comportementaux distincts concernant l'utilisation de l'IA.
Insight contextuel : Fournit des données empiriques sur la dépendance à l'IA au sein du système d'enseignement supérieur philippin, une région souvent sous-représentée dans la littérature mondiale sur l'IA dans l'éducation.
Évaluation multidimensionnelle : Évalue l'impact de l'IA sur un spectre holistique de compétences académiques (pensée critique, rédaction, indépendance, recherche et engagement) plutôt que sur des tâches isolées.
Cadre politique : Offre une base pour des interventions éducatives ciblées basées sur des profils d'étudiants spécifiques plutôt qu'une approche « unique pour tous ».

4. Résultats

Constats descriptifs :

Les étudiants ont fait preuve d'une dépendance modérée à élevée à l'IA, en particulier dans l'acceptation non critique des résultats ( $M=3,23$ ), les suggestions de recherche ( $M=3,13$ ) et la substitution de l'engagement académique ( $M=3,06$ ).
La dépendance était systématique plutôt que sporadique, indiquant une érosion généralisée des compétences de base.

Profils de l'Analyse des classes latentes (LCA) :
Le modèle optimal a identifié quatre profils d'étudiants distincts :

Apprenants indépendants fortement engagés (Classe 3) :
- Caractéristiques : Compétences les plus fortes dans les cinq domaines ; dépendance minimale à l'IA ; utilisation sélective de l'IA.
- Statut : Performants académiques idéaux.
Utilisateurs sélectifs de l'IA (Classe 2) :
- Caractéristiques : Compétences solides en recherche et en rédaction ; fort engagement ; utilisent l'IA comme outil complémentaire plutôt que comme ressource principale.
- Statut : Utilisateurs équilibrés et stratégiques.
Utilisateurs modérés de l'IA (Classe 0) :
- Caractéristiques : Compétences modérées dans tous les domaines mais montrant des signes de dépendance, en particulier en matière d'indépendance d'apprentissage.
- Statut : À risque de glisser vers une surdépendance ; nécessitent une formation à la vérification.
Apprenants dépendants de l'IA (Classe 1) :
- Caractéristiques : Compétences académiques les plus faibles dans tous les domaines (en particulier la pensée critique, la rédaction et la recherche) ; dépendance très élevée à l'IA ; faible indépendance d'apprentissage et engagement.
- Statut : Risque élevé d'érosion des compétences académiques ; substitution probable des compétences de base par du contenu généré par l'IA.

Corrélations démographiques :

Genre : Aucune différence significative dans les schémas de dépendance à l'IA ( $p = 0,237$ ).
Performance académique : Aucune association significative entre les notes auto-rapportées et les niveaux de dépendance. Les étudiants à la fois performants et moins performants utilisent l'IA de manière similaire, bien que les étudiants performants puissent l'utiliser de manière stratégique tandis que les moins performants peuvent s'y fier pour compenser.
Année d'études : Variation significative trouvée ( $p = 0,003$ ). Les étudiants de dernière année ont présenté des niveaux plus élevés de dépendance à l'IA, probablement en raison d'une charge de travail académique accrue et d'une exposition prolongée aux outils d'IA.

5. Signification et implications

Politique éducative : Souligne le besoin urgent de programmes de littératie numérique intégrés tôt dans le cursus. Les politiques doivent équilibrer l'adoption technologique avec la préservation des compétences cognitives essentielles.
Interventions ciblées :
- Apprenants dépendants de l'IA : Nécessitent un soutien concentré pour reconstruire les compétences en pensée critique et en recherche.
- Utilisateurs modérés : Bénéficient d'une formation à la validation de l'information et au raisonnement analytique.
- Apprenants indépendants : Peuvent servir de mentors par les pairs pour modéliser une utilisation équilibrée de l'IA.
Adaptation du curriculum : Les institutions doivent redessiner les évaluations pour privilégier la pensée critique et le processus par rapport aux résultats finaux, garantissant que l'IA agit comme un outil de soutien plutôt que comme un substitut à l'apprentissage.
Recherche future : Les auteurs appellent à des études longitudinales pour suivre les impacts à long terme de la dépendance à l'IA et développer des cadres pour atténuer l'érosion des compétences dans un paysage éducatif axé sur la technologie.