🤖 AI

AI-Automation Tooling in Computer Engineering Education: Mixed-Methods TAM/UTAUT Evidence for a General Acceptance Attitude

Cette étude de méthodes mixtes portant sur 103 étudiants thaïlandais en génie informatique démontre une acceptation généralisée et forte des outils d'automatisation de l'IA (spécifiquement n8n) principalement motivée par l'attente de performance, tout en révélant une divergence entre l'enthousiasme quantitatif et le scepticisme qualitatif concernant la qualité des résultats, soutenant ainsi l'intégration curriculaire de tels outils avec des étayages pédagogiques ciblés.

Auteurs originaux : Aung Pyae

Publié 2026-06-12

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Aung Pyae

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 êtes un enseignant essayant de présenter un nouvel assistant robotique super intelligent à une classe de futurs ingénieurs. Avant de les laisser à l'aise pour construire des choses avec lui, vous voulez savoir : Est-ce qu'ils l'aiment vraiment ? Pensent-ils qu'il est utile ? Et lui font-ils confiance ?

Ce document est le bulletin de notes d'une étude où 103 étudiants en génie informatique en Thaïlande ont testé un type spécifique d'outil de « cerveau robotique » (appelé n8n) lors d'une série d'ateliers. Les chercheurs voulaient voir s'ils étaient prêts à adopter l'automatisation par l'IA dans leurs futures carrières.

Voici la décomposition de ce qu'ils ont trouvé, en utilisant des analogies simples :

1. La mise en place : Un « essai routier » pour le futur

Considérez les ateliers comme un essai routier pour une nouvelle voiture. Les étudiants n'ont pas seulement lu des informations sur la voiture ; ils se sont mis au volant pendant deux heures. Ils ont utilisé un outil gratuit et open-source appelé n8n pour connecter différentes tâches numériques ensemble (comme créer un agent IA qui lit un message et l'enregistre dans une base de données).

Après cet « essai routier », les étudiants ont rempli un court sondage. Le sondage leur demandait d'évaluer l'outil selon six différents « compteurs de bord » empruntés à de célèbres théories technologiques :

Attente de performance : « Cela m'aidera-t-il à accomplir mon travail ? »
Attente d'effort : « Est-ce difficile à apprendre ? »
Intention comportementale : « Est-ce que je l'utiliserai à nouveau ? »
Auto-efficacité : « Est-ce que je me sens capable de l'utiliser ? »
Motivation hédonique : « Est-ce amusant ? »
Qualité de l'output : « L'outil donne-t-il de bons résultats ? »

2. Les résultats : L'« effet de halo »

Les étudiants ont donné des notes très élevées à l'outil sur tous les plans. Presque tout le monde était d'accord pour dire que l'outil était utile, facile à utiliser et qu'ils l'utiliseraient à nouveau.

La grande surprise (le « Halo ») :
D'habitude, lorsque vous interrogez des gens sur un nouvel outil, vous vous attendez à ce qu'ils aient des opinions différentes sur différents aspects (par exemple, « C'est utile, mais ennuyeux » ou « C'est amusant, mais difficile à utiliser »).

Cependant, les chercheurs ont découvert quelque chose d'intéressant : les étudiants ne parvenaient pas encore à distinguer ces catégories.

L'analogie : Imaginez regarder un nouveau smartphone brillant et étincelant à travers une fenêtre légèrement embuée. Vous voyez que c'est un téléphone, et il a l'air génial, mais vous ne pouvez pas encore distinguer l'appareil photo de l'écran ou la batterie du processeur.
La découverte : Parce que les étudiants n'ont utilisé l'outil que pendant une courte période (un atelier), leur cerveau a regroupé les six questions en un seul sentiment : « J'aime cet outil ». Ce que les chercheurs appellent une « attitude d'acceptation générale ». Les détails spécifiques (comme le fait que ce soit amusant ou utile) ne s'étaient pas encore séparés dans leur esprit.

3. Le « fossé de la confiance » : Les sceptiques silencieux

Bien que les chiffres du sondage soient élogieux (tout le monde disait que l'outil produisait des résultats de haute qualité), les commentaires ouverts racontaient une histoire légèrement différente.

L'analogie : Imaginez un groupe de personnes goûtant un nouveau gâteau. 95 % disent : « C'est délicieux ! » Mais un petit groupe de 5 % murmure : « Attendez, le glaçage est un peu irrégulier ; parfois il est parfait, parfois il est grumeleux. »
La découverte : Le sondage indiquait que la « Qualité de l'output » était excellente. Mais les quelques étudiants qui ont laissé des commentaires ont mentionné que l'IA donnait parfois des résultats inexacts ou incohérents.
Pourquoi c'est important : Les chercheurs ont réalisé que même si les étudiants disent qu'ils font confiance à l'outil (selon le sondage), cela ne signifie pas qu'ils ont une confiance calibrée. Ils pourraient être trop confiants, ou ils ne savent peut-être pas quand vérifier le travail. Le document suggère que les étudiants doivent apprendre non seulement à utiliser l'outil, mais aussi à repérer quand l'outil commet une erreur.

4. Ce que cela signifie pour l'éducation

Le document conclut avec trois « leviers » (outils) que les enseignants peuvent utiliser pour aider les étudiants à tirer le meilleur parti de l'automatisation par l'IA :

L'échelle d'étayage (Scaffolding) : Puisque les étudiants trouvaient l'outil utile mais parfois complexe, les enseignants doivent construire une échelle de soutien. Commencez par des étapes faciles et retirez progressivement l'assistance pour que les étudiants se sentent capables de construire des choses par eux-mêmes.
Le boost de confiance : Certains étudiants avaient le sentiment qu'ils pouvaient utiliser l'outil, mais seulement avec de l'aide. Les enseignants doivent leur apporter un soutien spécifique pour combler le fossé entre « Je sais ce que cela fait » et « Je peux le faire moi-même ».
Le calibrage de la confiance : C'est le plus important. Les enseignants ne doivent pas seulement montrer comment l'outil fonctionne parfaitement. Ils doivent montrer aux étudiants quand l'outil échoue. Cela aide les étudiants à apprendre à vérifier le travail de l'IA plutôt qu'à lui faire une confiance aveugle.

Résumé

En bref, ce document affirme que : Les futurs ingénieurs sont enthousiastes à propos des outils d'automatisation par l'IA et pensent qu'ils sont utiles. Cependant, après un seul court atelier, ils voient l'outil comme une seule « bonne chose » plutôt que comme une machine complexe dotée de forces et de faiblesses différentes.

La leçon clé pour les éducateurs est la suivante : Ne vous contentez pas de célébrer l'enthousiasme. Vous devez également apprendre aux étudiants comment gérer les erreurs occasionnelles de l'outil afin qu'ils deviennent des utilisateurs intelligents et critiques plutôt que de simples utilisateurs heureux.

Résumé Technique : Outillage d'Automatisation par l'IA dans l'Enseignement du Génie Informatique

Énoncé du Problème
Alors que l'IA générative et les plateformes de flux de travail low-code deviennent partie intégrante de la pratique logicielle, une question empirique critique subsiste pour l'enseignement du génie informatique : les étudiants de premier cycle acceptent-ils ces outils comme étant utiles, utilisables et dignes d'un engagement soutenu ? Bien que la prochaine génération d'ingénieurs soit appelée à concevoir et à raisonner sur des automatisations augmentées par l'IA, il existe un manque de preuves concernant les attitudes des étudiants envers un tel outillage, particulièrement dans les contextes éducatifs de l'Asie du Sud-Est. De plus, la littérature existante manque souvent de rigueur méthodologique dans le traitement des instruments à source unique et de forme courte utilisés pour mesurer l'acceptation immédiatement après des interventions pédagogiques.

Méthodologie
L'étude emploie un plan mixte explicatif transversal impliquant 103 étudiants de premier cycle en génie informatique d'une université thaïlandaise. Les participants, possédant des compétences en Python allant de basiques à intermédiaires et une expérience quotidienne des outils d'IA à usage général, ont assisté à trois ateliers utilisant un script identique via la plateforme open-source de type low-code n8n.

Instrumentation : Un questionnaire de type Likert à 12 items et à cinq points a été administré après l'atelier, se rapportant à six construits dérivés du Modèle d'Acceptation de la Technologie (TAM), de la Théorie Unifiée de l'Acceptation et de l'Utilisation de la Technologie (UTAUT) et de l'UTAUT2 : l'Attente de Performance (PE), l'Attente d'Effort (EE), l'Intention Comportementale (BI), l'Auto-efficacité (SE), la Motivation Hédonique (HM) et la Qualité de la Sortie (OQ). Chaque construit était mesuré par deux items.
Analyse Quantitative : Pour pallier les limites d'une conception parcimonieuse (deux items par construit, $N=103$ $N = 103$ ), l'étude a évité la modélisation par équations structurelles (SEM) au profit de techniques non paramétriques robustes et spécifiques aux données ordinales. Les analyses comprenaient :
- L'estimation de la fiabilité utilisant les coefficients de Spearman-Brown et l'oméga de McDonald ( $\omega$ ) basés sur des corrélations polychoriques.
- Des intervalles de confiance par bootstrap (95 %, $B=5\,000$ ) pour les moyennes des construits.
- Des tests de Wilcoxon pour échantillons appariés contre le point médian neutre (3,0).
- Des corrélations de Spearman avec correction de Holm pour les comparaisons multiples.
- Des diagnostics de dimensionnalité : analyse parallèle de Horn, test du facteur unique de Harman et mesures de l'indice Kaiser-Meyer-Olkin (KMO) pour évaluer le biais de méthode commune et la séparabilité des facteurs.
Analyse Qualitative : Une analyse thématique inductive a été menée sur 13 commentaires ouverts substantiels afin d'identifier les convergences et les divergences avec les données quantitatives.

Résultats Clés

Niveaux d'Acceptation Élevés : Les six construits ont démontré des moyennes significativement supérieures au point médian neutre ( $p < 0,0001$ ) avec de grands effets de taille ( $r$ allant de 0,68 à 0,81). Le classement des scores moyens est : PE (4,28) > OQ (4,16) > EE (4,11) > BI (4,05) > SE (4,04) > HM (4,00).
Effondrement Dimensionnel : Les diagnostics de dimensionnalité ont révélé que les six construits théoriquement distincts se sont effondrés en un facteur d'acceptation générale unique. L'analyse parallèle de Horn n'a retenu qu'un seul facteur (valeur propre de 8,77 contre un benchmark aléatoire de ~1,76), et le test de Harman a montré une variance du premier facteur de 73,1 %. Cela suggère que, dans un contexte de forme courte post-atelier, les étudiants ne différencient pas empiriquement les sous-facettes de l'acceptation ; ils répondent par une attitude de « halo » holistique.
Divergence Quantitatif-Qualitatif : Bien que les scores quantitatifs pour la Qualité de la Sortie (OQ) aient été élevés, les retours qualitatifs ont révélé une « minorité sceptique de la fiabilité ». Un petit sous-groupe d'étudiants a exprimé des préoccupations concernant l'inconstance des prompts et l'inexactitude des résultats, indiquant que l'adhésion agrégée ne signifie pas une confiance calibrée dans l'automatisation.
Cohérence des Sessions : Les tests de Kruskal-Wallis ont confirmé l'absence de différences statistiquement significatives entre les trois sessions d'atelier, validant ainsi la fidélité du protocole.

Contributions Clés

Empirique : L'étude fournit la première preuve au niveau des construits de l'acceptation des outils d'automatisation par l'IA chez les étudiants thaïlandais en génie informatique, une population sous-représentée dans la littérature TAM/UTAUT.
Méthodologique : Elle propose un cadre analytique transparent pour les instruments à source unique, ordinaux et de forme courte. En utilisant des corrélations polychoriques, des tests non paramétriques et des diagnostics de dimensionnalité explicites, l'article démontre comment analyser rigoureusement des données où la SEM est sous-identifiée, évitant ainsi les hypothèses par défaut de séparabilité factorielle.
Théorique : La conclusion selon laquelle les sous-facettes canoniques de TAM/UTAUT s'effondrent en une attitude d'acceptation générale unique dans des contextes d'instruction à court terme remet en question l'hypothèse selon laquelle ces construits sont empiriquement séparables immédiatement après une exposition unique. Cela suggère que le réseau nomologique complet de l'acceptation peut nécessiter une exposition longitudinale soutenue pour se manifester.
Pédagogique : L'intégration des méthodes mixtes identifie trois leviers d'instruction fondés sur la théorie :
1. Des échafaudages de séquençage d'instruction pour traiter la friction de l'Attente d'Effort.
2. Des soutiens à l'auto-efficacité pour combler l'écart entre la reconnaissance de l'utilité et le sentiment de capacité.
3. Des interventions de calibration de la confiance (ex: opportunités structurées de rencontrer et de vérifier les défaillances) pour traiter la divergence dans les perceptions de la Qualité de la Sortie.

Signification et Revendications
L'article soutient que, bien que l'acceptation par les étudiants de premier cycle des outils d'automatisation par l'IA soit globalement favorable et ancrée dans l'utilité instrumentale, l'attitude immédiate post-atelier est un construit généralisé et indifférencié plutôt qu'un ensemble de facteurs psychologiques distincts. Par conséquent, les auteurs soutiennent que les instruments d'acceptation de forme courte doivent être interprétés comme des mesures d'une dimension attitudinale unique, complétées par des sondages qualitatifs pour détecter des préoccupations spécifiques comme la fiabilité.

L'étude conclut que l'adoption curriculaire de tels outils est soutenue par les données, mais qu'une pédagogie efficace doit aller au-delà de la simple exposition. Elle doit activement traiter le « problème de la dépendance appropriée » en concevant une instruction qui calibre la confiance des étudiants par des comportements de vérification, plutôt qu'en supposant que l'enthousiasme initial se traduit par une utilisation mature et calibrée des systèmes automatisés. Les auteurs notent explicitement que leurs conclusions sont limitées à une seule institution et à un design transversal, ce qui exclut l'inférence causale, et appellent à des études longitudinales pour suivre si les attitudes favorables initiales mûrissent en comportements d'utilisation à long terme appropriés.