Defining AI Fatigue in Academic Contexts: Dimensions, Indicators, and a Stage-Based Model Using Grounded Theory

Résumé technique : Définition de la fatigue liée à l'IA dans les contextes académiques

Énoncé du problème
L'intégration rapide des outils d'Intelligence Artificielle (IA) dans les milieux académiques a introduit une forme distincte de contrainte que les cadres existants — tels que le technostress, la fatigue numérique et la fatigue Zoom — ne parviennent pas à couvrir entièrement. Bien que des recherches antérieures établissent que les environnements numériques génèrent une surcharge et une tension mentale, ces modèles ne tiennent pas compte du cycle d'interaction spécifique inhérent au travail soutenu par l'IA : le cycle répété de formulation de requêtes, de révision et de vérification des sorties rapides, volumineuses et souvent incohérentes générées par l'IA. Les instruments existants mesurent la contrainte numérique générale ou la fatigue académique, mais manquent de la capacité d'évaluer les pressions cognitives, motivationnelles, émotionnelles et attentionnelles spécifiques découlant d'une dépendance soutenue à l'IA générative. Par conséquent, il n'existe pas de modèle conceptuel cohérent expliquant comment ces pressions s'accumulent, ni de construct distinct définissant la « fatigue liée à l'IA » dans l'enseignement supérieur.

Méthodologie
Cette étude a adopté une conception de recherche qualitative guidée par la Théorie ancrée (Grounded Theory) pour développer un modèle conceptuel directement à partir des récits des participants.

• Participants : L'échantillon se composait de 1 054 étudiants universitaires (507 hommes, 547 femmes ; âge moyen 19,21 ans) issus de trois universités de Pampanga, aux Philippines, qui avaient utilisé des chatbots d'IA pour des activités académiques.
• Collecte des données : Les données ont été recueillies via trois canaux : entretiens en face à face (15–20 minutes), entretiens virtuels et enquêtes en ligne via Google Forms. Les participants ont répondu à six questions ouvertes explorant leurs expériences avec les outils d'IA, les tâches spécifiques effectuées, les sentiments de fatigue ou de contrainte, les changements motivationnels et les évolutions des habitudes d'apprentissage. Les réponses ont été collectées en anglais et en filipino.
• Analyse des données : Les chercheurs ont utilisé la procédure de codage en trois étapes décrite par Corbin et Strauss (2008) :
  1. Codage ouvert : Des chercheurs indépendants ont attribué des étiquettes descriptives aux phrases reflétant la contrainte, la difficulté ou l'inconfort.
  2. Codage axial : Les étiquettes ont été regroupées en clusters représentant des formes récurrentes de pression (indicateurs).
  3. Codage sélectif : Des catégories plus larges ont été identifiées pour relier les indicateurs en dimensions cohérentes. Un troisième chercheur a résolu les divergences entre les deux codeurs principaux.
  4. Développement du modèle : La séquence dans laquelle les participants décrivaient ces pressions a informé un cadre basé sur des étapes.

Principales contributions et résultats
L'analyse a produit deux contributions principales : un ensemble de cinq dimensions définissant la fatigue liée à l'IA et un modèle conceptuel basé sur des étapes.

1. Cinq dimensions de la fatigue liée à l'IA
L'étude a identifié cinq dimensions distinctes, chacune soutenue par deux indicateurs spécifiques ancrés dans les réponses des participants :

• Surcharge cognitive (310 réponses) : La dimension la plus fréquemment rapportée.
  • Écrasement par la production : Tension mentale liée au traitement du volume et de la densité des réponses de l'IA.
  • Contrainte de vérification : Épuisement résultant de la vérification répétée des sorties de l'IA pour leur exactitude et leur cohérence, en raison d'hallucinations ou d'incohérences.
• Désengagement motivationnel (270 réponses) :
  • Perte d'initiative : Une tendance à contourner la pensée indépendante et à recourir immédiatement à l'assistance de l'IA.
  • Doute sur la compétence : Érosion de la confiance académique et de l'auto-efficacité due à une surdépendance.
• Malaise moral (190 réponses) :
  • Culpabilité d'auteur : Inconfort et culpabilité concernant la soumission de contenu généré par l'IA comme étant son propre travail.
  • Fossé de compréhension : Détresse découlant de l'écart entre la qualité de la production de l'IA et le niveau réel de compréhension de l'étudiant.
• Contrainte physique (120 réponses) :
  • Fatigue visuelle : Inconfort oculaire et crânien dû à la lecture prolongée de textes denses générés par l'IA.
  • Épuisement de session : Épuisement physique suivant des sessions prolongées d'interaction avec l'IA.
• Dérive attentionnelle (125 réponses) :
  • Impatience de rythme : Tolérance réduite face au rythme plus lent des matériaux d'apprentissage traditionnels (par exemple, les manuels) après une exposition aux réponses rapides de l'IA.
  • Basculement agité : Attention fragmentée et changement habituel d'onglets, motivés par une préférence pour des réponses plus rapides.

2. Le modèle de la fatigue liée à l'IA
L'étude propose un cadre en six étapes expliquant comment ces pressions se développent et se renforcent mutuellement à travers des interactions répétées avec l'IA :

1. Réduction initiale de l'effort : L'IA réduit la charge cognitive précoce, devenant une réponse principale aux demandes académiques.
2. Expansion des rôles de l'IA : L'usage s'étend à des tâches complexes, exposant les étudiants à des productions plus longues et plus denses.
3. Accumulation de la contrainte : Les pressions à travers les dimensions (particulièrement cognitives et physiques) commencent à s'accumuler.
4. Perturbation de l'autorégulation : Les étudiants peinent à maintenir leurs routines d'étude et à résister à la dépendance, éprouvant une perte d'initiative et un doute sur leur confiance.
5. Consolidation de la fatigue : La contrainte devient persistante ; le malaise moral et la dérive attentionnelle deviennent prédominants aux côtés des pressions cognitives et motivationnelles.
6. Boucle de rétroaction : L'utilisation continue de l'IA ramène l'étudiant aux étapes antérieures, renforçant et intensifiant toutes les pressions de manière cyclique.

Importance et affirmations
L'article revendique l'établissement des premières fondations conceptuelles et exploratoires de la fatigue liée à l'IA en tant que construct distinct, la différenciant du technostress général ou de la fatigue numérique. Les auteurs affirment que, contrairement aux modèles existants qui traitent la contrainte technologique comme une réponse générale aux demandes, le modèle de la fatigue liée à l'IA aborde spécifiquement le cycle d'interaction unique de la formulation de requêtes, de la vérification et du cycle à travers le contenu généré par l'IA.

L'étude positionne ses résultats comme une base pour :

• Développement théorique : Fournir un cadre pour la validation future d'instruments et le développement d'échelles.
• Enquête empirique : Permettre la recherche intercontextuelle, en particulier dans des régions comme l'ASEAN où l'adoption de l'IA dépasse la préparation institutionnelle.
• Application pédagogique : Guider les éducateurs à identifier les points du cycle des tâches académiques où la pression s'accumule et à concevoir des interventions (par exemple, une réflexion structurée) qui répondent aux pressions psychologiques et motivationnelles.

Les auteurs adoptent une posture modeste, reconnaissant que les résultats sont exploratoires, limités à un échantillon régional spécifique et basés sur des données auto-déclarées. Ils déclarent explicitement que le modèle nécessite une analyse factorielle confirmatoire et une validation à travers divers contextes culturels et institutionnels avant toute application plus large.