Résumé technique : Un cadre pour le changement institutionnel à l'ère de l'IA

Énoncé du problème

L'article comble une lacune critique dans la théorie du changement institutionnel dans l'enseignement supérieur : les modèles existants pour transformer l'enseignement des sciences, de la technologie, de l'ingénierie et des mathématiques (STEM) ont été conçus pour des « technologies d'adoption » — des innovations disposant de bases de preuves établies et validées, déployées à grande échelle après évaluation (par exemple, l'enseignement par les pairs, les tutorats en physique introductive). Ces modèles reposent sur l'hypothèse que l'objet du changement est stable et bien défini.

Cependant, l'IA générative (GenAI) fonctionne comme une « technologie d'arrivée ». Elle s'est introduite rapidement et massivement dans les écosystèmes éducatifs avant qu'une base de preuves pédagogiques ne puisse se former, perturbant les routines établies avant que les institutions ne puissent formuler des réponses. Le dilemme central identifié est que les institutions ne peuvent pas attendre l'émergence des meilleures pratiques (car l'utilisation par les étudiants transforme déjà l'apprentissage), ni déployer de manière responsable des innovations qui restent injustifiées. Les cadres de changement actuels, qui supposent souvent une destination connue et une incertitude réductible, sont insuffisants pour naviguer dans l'« incertitude authentique » de l'ère de l'IA.

Méthodologie

L'article adopte une approche de développement de cadre théorique plutôt qu'une étude empirique des résultats d'une intervention spécifique. La méthodologie comprend trois composantes principales :

1. Synthèse théorique : Les auteurs passent en revue les théories dominantes du changement institutionnel en STEM, notamment la Diffusion des innovations (DoI) de Rogers, le modèle à quatre cadres de Bolman et Deal, et les perspectives de Kezar sur le changement organisationnel. Ils analysent les hypothèses fondamentales de ces modèles (par exemple, la stabilité de l'innovation, la diffusion linéaire, le déploiement fondé sur des preuves) et les contrastent avec les caractéristiques de l'IA générative.
2. Construction du cadre : S'appuyant sur des modèles socioculturels des systèmes d'activité humaine (Cole, 1996 ; Engeström, 1999), les auteurs déduisent un nouveau cadre. Ils identifient six dimensions spécifiques où les modèles antérieurs doivent être réexaminés. Ces dimensions sont catégorisées en « Outils » (Base de preuves, Vitesse du changement, Portée) et « Personnes » (Autonomie des enseignants, Rôle de l'agent de changement, Rôle de l'étudiant).
3. Étude de cas illustrative : Pour démontrer l'utilité pratique du cadre, les auteurs l'appliquent à une série d'ateliers pour les enseignants menée au Département de physique de l'Université du Colorado à Boulder (printemps 2026). Cette étude de cas sert de preuve de concept montrant comment les implications de conception du cadre peuvent façonner des actions institutionnelles concrètes, plutôt que de valider l'efficacité du cadre.

Contributions clés

L'article apporte trois contributions distinctes à la littérature sur le changement éducatif et l'IA :

1. Identification de six dimensions critiques : Les auteurs délimitent six dimensions selon lesquelles le changement piloté par l'IA diverge des réformes traditionnelles d'Engagement Interactif (IE) :

   • Base de preuves : Passage d'outils pré-validés à des « enquêtes locales modestes » où les preuves sont générées par l'expérimentation.
   • Vitesse du changement : Passage d'outils stables à des modèles en évolution rapide, nécessitant une focalisation sur les approches pédagogiques plutôt que sur des outils spécifiques.
   • Portée : Passage d'outils spécifiques à l'éducation à des technologies à usage général, exigeant des conversations plus larges sur l'éthique, l'autonomie et les futurs disciplinaires.
   • Autonomie des enseignants : Passage d'une adhésion volontaire à un engagement forcé dû à une perturbation menée par les étudiants, nécessitant des structures de soutien différenciées.
   • Rôle de l'agent de changement : Passage de « courtiers » de meilleures pratiques connues à des « facilitateurs » d'enquête collective, privilégiant l'expertise pédagogique sur l'expertise technique en IA.
   • Rôle de l'étudiant : Passage de destinataires passifs ou de sujets de recherche à des partenaires actifs qui mènent l'utilisation de l'IA et doivent être impliqués dans la co-construction des normes.

2. Déduction d'implications de conception : Pour chaque dimension, l'article propose des principes de conception spécifiques pour les institutions :

   • Privilégier l'enquête locale et itérative au déploiement de pratiques non éprouvées.
   • Organiser la réforme autour d'approches pédagogiques stables plutôt que d'outils spécifiques et éphémères.
   • Repositionner les agents de changement en facilitateurs du sens collectif.
   • Impliquer les étudiants en tant que partenaires dans la définition d'une utilisation responsable de l'IA et des objectifs d'apprentissage.

3. Application pratique : L'article illustre comment ces principes ont été opérationnalisés dans une série d'ateliers au sein d'un département de physique universitaire. L'étude de cas démontre comment le cadre a guidé les décisions d'utiliser des données locales, de se concentrer sur la politique et la pédagogie plutôt que sur la comparaison d'outils, et de traiter l'anxiété des enseignants comme un point de départ pour l'enquête plutôt que comme un obstacle.

Résultats

En tant qu'article théorique, les « résultats » sont le cadre conceptuel lui-même et son application illustrative. L'article ne présente pas de données empiriques prouvant que ce cadre conduit à de meilleurs résultats pour les étudiants par rapport à d'autres modèles. Les résultats sont plutôt :

• Un argument structuré affirmant que les modèles traditionnels de changement (DoI, diffusion linéaire) sont inadaptés à la nature de « technologie d'arrivée » de l'IA générative.
• Un ensemble d'implications de conception qui réorientent le changement institutionnel de la « diffusion de preuves » vers la « navigation de l'incertitude ».
• Une démonstration que le cadre peut guider avec succès la conception du développement professionnel, déplaçant l'accent de l'acquisition d'outils vers l'enquête collective des enseignants et le partenariat avec les étudiants.

Importance et affirmations

Les auteurs positionnent ce travail comme une adaptation nécessaire de décennies de connaissances accumulées dans la réforme de l'enseignement STEM, plutôt que comme un remplacement. Ils affirment :

• Humilité intellectuelle : Le cadre agit avec une « humilité épistémique », reconnaissant que la base de preuves pour l'IA dans l'éducation n'est pas encore formée et que les institutions doivent agir sans surestimer ce qui est connu.
• Continuité et adaptation : L'article soutient que le domaine ne doit pas « repartir de zéro ». De nombreuses stratégies issues des réformes IE (par exemple, experts intégrés, équipes d'action départementales) restent précieuses mais doivent être adaptées à de nouveaux rôles (par exemple, facilitateurs d'enquête plutôt que courtiers de solutions).
• Pertinence ciblée : Le cadre est spécifiquement pertinent pour les domaines où l'IA a perturbé de manière significative la pratique (par exemple, l'évaluation, les devoirs, la rédaction). Il reconnaît que pour les pratiques où l'IA n'a pas perturbé la pédagogie fondamentale (par exemple, l'enseignement par les pairs), les modèles de changement existants peuvent encore s'appliquer directement.
• Appel à l'action : L'article conclut en présentant le cadre comme un point de départ pour le dialogue et un outil permettant aux institutions de mettre en lumière leurs hypothèses et leurs choix de conception dans un paysage incertain, en soulignant que les dimensions et leur pertinence peuvent évoluer à mesure que la technologie mûrit.

Les auteurs notent explicitement les limites : le cadre est théorique et n'a pas été testé empiriquement pour son efficacité ; il est principalement tiré de contextes américains ; et l'évolution rapide de l'IA pourrait réorganiser la pertinence des dimensions identifiées à l'avenir.