🔬 physics

Students using GenAI lag behind in problem-solving competence: an agent-based study of classroom networks

En utilisant un modèle à base d'agents pour simuler des classes de physique au lycée, cette étude révèle que, bien que l'IA générative offre un soutien, son utilisation entrave en fin de compte le développement de la compétence de résolution de problèmes et augmente la proportion d'élèves restant dans les niveaux de compétence inférieurs en encourageant le délestage cognitif et en perturbant la dynamique d'apprentissage collectif.

Auteurs originaux : Lorenzo Betti, Iacopo Caporossi, Carsten Källner, Karolina Levanaitė, Chenyu Li, Xuan-Chen Liu, Giulia Lorenzini, Vittoria Socci, Michele Re Fiorentin, Ilaria Stanzani, Marta Baratto

Publié 2026-06-29

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Lorenzo Betti, Iacopo Caporossi, Carsten Källner, Karolina Levanaitė, Chenyu Li, Xuan-Chen Liu, Giulia Lorenzini, Vittoria Socci, Michele Re Fiorentin, Ilaria Stanzani, Marta Baratto

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

La vue d'ensemble : Le piège du « code de triche »

Imaginez une classe de 30 lycéens essayant d'apprendre à résoudre des énigmes de physique complexes. Ils ont deux manières principales d'aborder ces énigmes :

La méthode difficile : Ils réfléchissent, demandent peut-être l'aide d'un ami, et cherchent la solution par eux-mêmes.
La méthode de la « baguette magique » : Ils utilisent une IA (IA générative) ultra-intelligente qui leur donne instantanément la réponse.

Cette étude pose une question simple : Que se passe-t-il pour toute la classe si tout le monde commence à utiliser la Baguette Magique ?

Pour le découvrir, les chercheurs n'ont pas seulement observé une vraie salle de classe (ce qui est difficile à contrôler). À la place, ils ont construit une simulation numérique — un jeu vidéo d'une salle de classe avec 30 « agents » informatiques (des étudiants). Ils ont lancé ce jeu 1 000 fois pour voir comment les compétences des étudiants évoluaient au fil du temps.

Comment la simulation a fonctionné

Les chercheurs ont établi les règles du jeu avec trois points clés :

Le Réseau : Les étudiants sont connectés comme un réseau social. Certains sont des amis aléatoires, d'autres font partie de groupes très soudés, et d'autres sont juste lâchement connectés.
Le Choix : À chaque étape, un étudiant décide : « Est-ce que je résous cela moi-même (ou avec un ami), ou est-ce que je demande à l'IA ? »
La Conséquence :
- Si vous résolvez le problème vous-même, votre cerveau fait un entraînement intense et vous devenez plus intelligent.
- Si vous demandez à un ami, vous apprenez un petit peu de sa part.
- Si vous utilisez l'IA, vous obtenez la réponse, mais votre cerveau ne bénéficie pas de l'entraînement complet. Vous apprenez peut-être un tout petit peu de faits, mais vous manquez l'entraînement du « muscle de la résolution de problèmes ».

Les résultats surprenants

1. L'étudiant « moyen » devient moins performant

Lorsque les chercheurs ont activé l'IA pour toute la classe, la compétence de résolution de problèmes moyenne du groupe a diminué.

L'analogie : Imaginez une salle de sport où tout le monde décide d'arrêter de soulever des poids et demande plutôt à une machine de les soulever à leur place. Même si la machine déplace le poids, les muscles des gens s'affaiblissent. La classe, dans son ensemble, est devenue moins capable de résoudre des problèmes par elle-même.

2. L'effet « bloqué au milieu »

Sans l'IA, les étudiants montaient naturellement l'échelle. Ceux qui commençaient avec des compétences faibles rattrapaient les autres, et toute la classe finissait dans les zones de compétences « Élevée » et « Très élevée ».

Avec l'IA : Les étudiants n'ont pas grimpé aussi haut. Une partie importante de la classe est restée « coincée » dans la zone intermédiaire ou même dans les zones inférieures. Ils n'ont pas échoué, mais ils n'ont pas grandi autant qu'ils auraient pu.
L'analogie : Pensez à une course où tout le monde court. Sans l'IA, tout le monde court à son propre rythme et devient plus rapide au fil du temps. Avec l'IA, c'est comme si certains coureurs étaient sur un tapis roulant. Ils atteignent la ligne d'arrivée, mais ils n'ont jamais développé la force musculaire nécessaire pour courir vite par eux-mêmes.

3. La classe s'est divisée en deux groupes

C'est la découverte la plus importante. Lorsque l'IA a été introduite, la classe ne s'est pas seulement « un peu dégradée ». Elle s'est divisée en deux groupes distincts :

Groupe A : Les étudiants qui utilisaient l'IA moins souvent. Ils ont continué à devenir plus intelligents et ont fini au sommet.
Groupe B : Les étudiants qui utilisaient beaucoup l'IA. Ils se sont retrouvés dans un groupe de « faible compétence », nettement à la traîne par rapport aux autres.
L'analogie : Imaginez un groupe de randonneurs. Si tout le monde fait la randonnée, tout le monde devient fort. Mais si certains randonneurs prennent un hélicoptère (l'IA) pour atteindre le sommet, ils arrivent à destination, mais ils sont faibles et fatigués. Le groupe se divise : les randonneurs forts et les passagers de l'hélicoptère faibles. Les passagers de l'hélicoptère n'ont pas seulement stagné ; ils sont réellement tombés en retard par rapport aux randonneurs en termes de forme physique.

4. L'habitude du « raccourci »

L'étude a révélé que plus un étudiant comptait sur l'IA, plus il était susceptible de finir dans ce groupe de faible compétence.

L'analogie : C'est comme utiliser une calculatrice pour des math simples. Si vous l'utilisez pour tout, vous finissez par oublier comment faire une addition de base. Les étudiants qui utilisaient l'IA comme un « raccourci » ont cessé de construire leurs propres capacités de résolution de problèmes, et l'IA est devenue un obstacle à leur apprentissage.

L'essentiel à retenir

L'article conclut que si l'IA peut donner aux étudiants la réponse, elle peut aussi les empêcher de construire la compétence nécessaire pour trouver cette réponse par eux-mêmes.

Lorsque toute une classe utilise l'IA, cela ne rend pas seulement tout le monde plus intelligent ; cela crée en réalité un fossé. Cela laisse une grande partie de la classe à la traîne dans sa capacité à réfléchir de manière critique et à résoudre des problèmes, tandis qu'un petit groupe (ceux qui ne dépendaient pas de l'IA) continue de progresser. Les chercheurs suggèrent que nous devons examiner comment l'IA affecte la dynamique de groupe entière, et non pas seulement la performance d'un étudiant individuel lors d'un test unique.

Résumé technique : Les étudiants utilisant l'IA générative accusent un retard dans la compétence de résolution de problèmes

Énoncé du problème
Le développement de la compétence en résolution de problèmes (CRP) est fondamental pour préparer des citoyens résilients, pourtant l'impact collectif de l'intelligence artificielle générative (IA générative) sur ce développement au sein des environnements de classe reste sous-exploré. Alors que la littérature existante couvre largement les résultats d'apprentissage individuels et les attitudes envers l'IA générative, il existe une méconnaissance de la manière dont la distribution des stratégies d'apprentissage — spécifiquement le choix entre l'utilisation de l'IA générative, la collaboration avec les pairs ou le travail individuel — façonne l'évolution de la CRP à travers une communauté d'apprentissage. Une lacune critique subsiste dans la détermination de savoir si l'IA générative agit comme un échafaudage pour l'apprentissage co-constructif ou comme un mécanisme de décharge cognitive qui entrave l'apprentissage profond, particulièrement lorsqu'on considère l'interaction dynamique entre les choix individuels et les structures de réseaux de pairs.

Méthodologie
Pour répondre à cela, les auteurs ont développé un modèle à base d'agents (MBA) pour simuler l'évolution de la CRP dans une classe de physique au lycée sur 60 étapes temporelles (représentant 60 exercices).

Agents et variables d'état : Le modèle se compose de $N=30$ $N = 30$ agents étudiants. Chaque agent $i$ $i$ est caractérisé par trois variables d'état :
1. Compétence en résolution de problèmes ( $C_i^t$ ) : La capacité à résoudre des exercices de physique, initialisée à l'aide de distributions empiriques issues des données d'évaluation italiennes de l'INVALSI ( $N(\mu=195.9, \sigma=1.28)$ ).
2. Dépendance à l'IA générative ( $\alpha_i^t$ ) : Une valeur dans $[0,1]$ représentant la dépendance à l'IA, initialisée à 0,5.
3. Recours aux pairs ( $\tau_i^t$ ) : Une valeur dans $[0,1]$ représentant la tendance à solliciter l'aide des pairs, initialisée à 0,5.
Données et calibration : Le modèle utilise un ensemble de données de 60 exercices de physique couvrant le programme du Lycée Scientifique italien. Chaque exercice est annoté avec trois composantes : connaissances mathématiques, raisonnement physique et compétences de résolution de problèmes cognitifs (CPSS). Crucialement, le modèle quantifie l'« écart de score » entre les solutions humaines (sans IA) et les solutions de l'IA générative (utilisant OpenAI GPT-5.5). Les données indiquent que si l'IA générative peut résoudre les exercices, elle produit des gains moindres en CPSS par rapport à la résolution de problèmes humaine.
Dynamique et sélection de stratégie : À chaque étape temporelle, les agents choisissent une stratégie basée sur une fonction de probabilité sigmoïde influencée par la difficulté de l'exercice, le gain de compétence actuel, la dépendance à l'IA et le recours aux pairs.
- Utilisation de l'IA générative ( $S_i=1$ ) : Les agents supposent que l'exercice est résolu, mais les mises à jour de la compétence sont restreintes. Ils acquièrent un potentiel de connaissances mathématiques et physiques mais subissent un gain potentiel nul ou négatif en CPSS, reflétant une décharge cognitive.
- Pas d'IA générative ( $S_i=0$ ) : Les agents travaillent soit de manière indépendante, soit en collaboration avec un pair de leur réseau. La probabilité de succès est fixée à 0,54 (basée sur des données nationales). Un travail indépendant réussi génère des gains de compétence complets. La collaboration entre pairs permet le transfert de connaissances : si un pair est plus compétent, la compétence de l'agent est mise à jour vers une valeur aléatoire située entre sa propre valeur et celle du pair ; s'il est moins compétent, aucun apprentissage supplémentaire ne se produit.
Structures de réseau : L'étude simule les interactions à travers quatre topologies de réseau distinctes pour tester la robustesse structurelle :
1. Réseaux aléatoires d'Erdős–Rényi (ER).
2. Réseaux « petit monde » de Watts–Strogatz (WS).
3. Modèles de blocs stochastiques (SBM) représentant des structures communautaires.
4. SBM modifiés incorporant l'homophilie basée sur la compétence (où les connexions initiales entre pairs sont formées sur la base de niveaux de compétence similaires).

Résultats clés
Les résultats de la simulation, dérivés de 1 000 exécutions indépendantes par condition, révèlent des impacts négatifs significatifs de l'accès à l'IA générative sur la dynamique de la compétence collective :

Réduction de la compétence moyenne : À travers toutes les topologies de réseau, les classes ayant accès à l'IA générative ont systématiquement démontré un taux d'acquisition de compétences plus lent et une CRP moyenne finale plus faible par rapport aux classes sans IA générative.
Stagnation de la mobilité ascendante : En l'absence d'IA générative, les étudiants progressent vers des paliers de compétence plus élevés, la distribution se concentrant dans les catégories « Élevée » et « Très élevée ». À l'inverse, l'accès à l'IA générative provoque une stagnation où une partie importante des étudiants reste dans les paliers « Moyen », « Faible » et « Très faible ».
Émergence de la bimodalité : L'introduction de l'IA générative transforme la distribution de compétence finale, passant d'un état unimodal relativement homogène à une distribution bimodale. La modélisation par mélange gaussien a montré que l'accès à l'IA générative augmentait la taille du cluster de faible compétence, passant d'environ 1–4 % (dans les scénarios sans IA) à 8–12 % de la population.
Stratification par fréquence d'utilisation : L'analyse de la fréquence d'utilisation a révélé que les étudiants ayant la fréquence d'utilisation de l'IA générative la plus élevée (75–100 % des exercices) étaient disproportionnellement concentrés dans le pic émergent de faible compétence. Cela suggère qu'un recours intensif à l'IA générative supprime activement la maîtrise des compétences de résolution de problèmes.
Interaction avec l'homophilie : Dans les réseaux présentant une homophilie basée sur la compétence (SBM modifié), l'accès à l'IA générative semble amplifier la stratification, réduisant la probabilité pour les étudiants de dépasser leurs quartiers de compétence initiaux.

Signification et affirmations
L'article affirme que l'impact éducatif de l'IA générative ne peut être évalué uniquement par les résultats d'apprentissage individuels ou l'achèvement immédiat des tâches. Au lieu de cela, l'étude démontre que la disponibilité de l'IA générative remodèle fondamentalement les dynamiques collectives de développement de la compétence au sein des communautés d'apprentissage.

Les auteurs soutiennent que, bien que l'IA générative puisse faciliter l'exécution des tâches, son utilisation comme raccourci peut mener à une décharge cognitive qui diminue le développement des compétences autonomes de résolution de problèmes. Cet effet n'est pas uniforme ; il crée une stratification où un sous-ensemble d'étudiants est à la traîne, entraînant une classe polarisée où une minorité significative ne parv'ient pas à atteindre un niveau de compétence élevé. L'étude conclut que les risques de l'IA générative s'étendent au-delà des déficits de pensée critique individuels pour inclure la réorganisation structurelle des distributions de compétence en classe, laissant potentiellement une part plus importante d'étudiants dans des paliers de compétence inférieurs que ne le ferait un environnement d'apprentissage traditionnel.