Practitioner Beliefs and Behaviors in AI-Enhanced Education: DOT Framework Survey Evidence

Résumé technique : Croyances et comportements des praticiens dans l'éducation enrichie par l'IA (Preuves de l'enquête sur le cadre DOT)

Énoncé du problème
L'intégration rapide de l'intelligence artificielle générative (IA) et des grands modèles de langage (LLM) dans l'enseignement supérieur a dépassé le développement de stratégies institutionnelles cohérentes et fondées sur la pédagogie. Bien que l'adoption soit généralisée, l'absence de normes et de cadres partagés a conduit à des pratiques fragmentées et ad hoc parmi les éducateurs. Cette fragmentation se traduit par un environnement d'enseignement où le potentiel transformateur de l'IA reste inexploité et où les risques demeurent non gérés. L'étude comble le manque de données empiriques concernant la manière dont les éducateurs conceptualisent le rôle pédagogique de l'IA, leurs comportements actuels d'utilisation et les conditions institutionnelles qui facilitent ou contraignent une intégration responsable.

Méthodologie
L'étude a utilisé une conception d'enquête transversale pour examiner les croyances, les comportements et les conditions institutionnelles de 72 praticiens de l'enseignement supérieur aux États-Unis. L'échantillon, recruté lors de conférences sur les technologies éducatives et au sein de réseaux professionnels, était principalement composé d'enseignants à temps plein (54 %) et de concepteurs pédagogiques (14 %), avec un niveau élevé d'engagement déclaré avec l'IA (76 % utilisant ou recherchant activement l'IA).

L'instrument, l'enquête « DOT », a été développé sur la base du cadre DOT, un modèle théorique intégrant la pensée de conception (D) et le modèle des systèmes ouverts (O) pour guider la transformation (T) des pratiques d'enseignement. L'enquête comprenait :

• 19 items d'échelle de Likert sur les croyances conçus pour capturer les points de vue sur le potentiel pédagogique de l'IA, la gouvernance, la capacité d'automatisation et le rôle collaboratif.
• Des questions sur les modes d'utilisation couvrant 11 catégories de tâches (par exemple, génération de contenu, notation, recherche).
• Des questions sur la pratique réflexive évaluant la fréquence des comportements liés à la pensée de conception (évaluation des besoins, définition des objectifs, expérimentation, collecte de retours).
• Des évaluations des défis institutionnels concernant les politiques, la formation et les infrastructures.

L'analyse des données comprenait des statistiques descriptives, des tests de fiabilité (alpha de Cronbach) et une analyse factorielle exploratoire (AFE) utilisant la méthode des axes principaux avec rotation Promax pour identifier les construits sous-jacents au sein des items de croyance.

Résultats clés

• Structure factorielle des croyances : L'AFE des 19 items de croyance a révélé une structure robuste à trois facteurs (Variance totale expliquée : 54,4 %, $\alpha$ = 0,90) :

  1. Capacités fonctionnelles de l'IA ($\alpha$ = 0,910) : Croyances concernant l'efficacité et l'efficience de l'IA dans des tâches spécifiques (retour d'information, notation, créativité et rôle d'assistant pédagogique).
  2. Surveillance et gouvernance ($\alpha$ = 0,786) : Un engagement de principe en faveur de la surveillance humaine, de l'évaluation critique des sorties de l'IA, de la transparence et du contrôle des enseignants sur les matériels. Ce facteur a montré un fort accord (moyennes > 4,60) mais certains effets de plafond.
  3. Collaboration et planification de l'enseignant ($\alpha$ = 0,851) : Croyances en l'IA en tant que partenaire collaboratif soutenant la planification pédagogique, l'inclusivité et l'autonomie de l'enseignant.
  • Résultat notable : L'item « L'IA peut remplacer l'expertise de l'enseignant » n'a chargé sur aucun facteur et a été presque universellement rejeté (71 % de désaccord), renforçant une mentalité de « co-intelligence » plutôt que de « remplacement ».

• Modes d'utilisation : Les praticiens ont signalé une utilisation élevée dans les tâches de génération et de création de contenu (par exemple, génération de matériels pédagogiques, $M=3,43$ ; soutien à la recherche, $M=3,21$). En revanche, l'utilisation dans les tâches évaluatives et automatisées était significativement plus faible (par exemple, automatisation de la notation, $M=1,60$ ; fourniture de retours personnalisés, $M=2,17$).

• Comportements de pensée de conception : Bien que le prompting itératif et l'expérimentation soient courants, l'adhésion systématique au cycle complet de conception était incohérente. « Identifier les besoins avant d'utiliser l'IA » et « collecter des retours pour itérer » étaient les pratiques les moins fréquentes, indiquant un écart entre les exigences théoriques du cadre et la mise en œuvre actuelle.

• Obstacles institutionnels : Les principaux défis identifiés étaient les préoccupations éthiques/l'intégrité académique (64 %), l'insuffisance de la formation (61 %), l'absence de politiques institutionnelles (50 %) et des infrastructures limitées (47 %). Les données suggèrent un goulot d'étranglement macro-systémique où les enseignants avancent plus rapidement que les structures de soutien institutionnelles.

Contributions clés

1. Examen empirique du cadre DOT : L'étude fournit un soutien descriptif préliminaire au cadre DOT en tant que modèle valide pour comprendre les croyances des praticiens, démontrant que les perspectives des éducateurs se regroupent d'une manière cohérente avec la pensée de conception et l'architecture des systèmes ouverts du cadre.
2. Développement d'un instrument de mesure : Elle présente et évalue un instrument d'enquête capable de capturer les dimensions orientées conception et conscientes des systèmes de l'utilisation de l'IA, offrant une structure à trois facteurs (Capacités fonctionnelles, Surveillance/Gouvernance, Collaboration/Planification) pour les recherches futures.
3. Identification des écarts de mise en œuvre : L'étude met en évidence des écarts spécifiques entre le cycle de conception complet proposé par le cadre DOT et les comportements actuels des praticiens, notamment la sous-utilisation des étapes « Empathiser » (évaluation des besoins) et « Tester/Retour ».

Portée et affirmations
Les auteurs positionnent cette étude comme exploratoire et préliminaire, affirmant explicitement qu'elle n'établit pas de relations causales entre les croyances, les comportements et les résultats pédagogiques. La portée réside dans :

• Validation descriptive : Fournir des preuves initiales que les distinctions conceptuelles du cadre DOT (conception micro-systémique vs gouvernance macro-systémique) correspondent à la cognition réelle des praticiens.
• Mise en évidence du goulot d'étranglement macro-systémique : Confirmer que l'intégration durable de l'IA est contrainte non pas par les capacités individuelles des enseignants, mais par des déficits institutionnels en matière de politiques, de formation et d'infrastructures.
• Définition de la norme de « co-intelligence » : Démontrer que les praticiens engagés rejettent largement l'IA comme un remplacement de l'expertise, la considérant plutôt à travers le prisme d'une collaboration critique et d'une surveillance humaine.

L'article conclut que les recherches futures doivent passer de la modélisation descriptive à la validation confirmatoire (en utilisant une AFC) et à des études basées sur les résultats pour déterminer comment les pratiques alignées sur le DOT influencent la qualité pédagogique. Il appelle les institutions à traiter le développement professionnel et les structures de gouvernance non pas comme des améliorations optionnelles, mais comme des prérequis pour une intégration éthique et efficace de l'IA.