💻 computer science

Four Types of LLM Reliance and Their Predictors Among Undergraduate Writers: A Mixed-Methods Study at a Minority-Serving R1 University

Cette étude de méthodes mixtes menée dans une université de recherche de type R1 servant les minorités identifie quatre types distincts de recours aux LLM chez les étudiants de premier cycle (stratégique, instrumental, dialogique et dépendant), révélant que la littératie en IA prédit le type de recours tandis que les croyances relatives à la valeur et au coût prédisent l'intensité, et soulignant comment les méthodes d'évaluation actuelles pénalisent par inadvertance les utilisateurs stratégiques qui font preuve de la plus grande pensée indépendante.

Auteurs originaux : Shahin Hossain

Publié 2026-06-30

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Shahin Hossain

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 une salle de classe où presque chaque élève a un assistant d'écriture invisible et super intelligent (une IA) assis sur son épaule. Depuis des années, des chercheurs essaient de comprendre à quel point les élèves utilisent cet assistant. Mais ils posaient la mauvaise question. Ils demandaient : « À quelle fréquence utilisez-vous l'IA ? » comme si beaucoup l'utiliser était la même chose que mal l'utiliser.

Cette étude dit : Arrêtez de compter les minutes ; commencez à regarder la méthode.

Voici la décomposition simple de ce que les chercheurs ont découvert, en utilisant des métaphores du quotidien.

1. Les quatre types de « conducteurs d'IA »

Les chercheurs ont découvert que les étudiants ne se contentent pas d'« utiliser » l'IA ; ils la conduisent de quatre manières très différentes. Pensez à l'IA comme à une voiture, et à l'étudiant comme au conducteur.

Le Conducteur Stratégique (34 %) : Ces étudiants traitent l'IA comme un copilote. Ils ont une carte (leurs propres idées), et ils demandent au copilote de vérifier l'itinéraire, de signaler les embouteillages ou de vérifier un point de repère. Ils restent aux commandes tout au long du trajet. Ils sont les plus en contrôle.
Le Conducteur Instrumental (31 %) : Ces étudiants utilisent l'IA comme un outil électrique. Ils ont besoin de serrer une vis spécifique (corriger une erreur de grammaire) ou de poncer un bord rugueux (résumer un paragraphe). Ils utilisent l'outil pour une tâche rapide, puis le reposent pour continuer à travailler par eux-mêmes.
Le Conducteur Dialogique (30 %) : Ces étudiants traitent l'IA comme un partenaire d'entraînement. Ils font des allers-retours d'idées. « Et si je disais ceci ? » « Non, essaie cela. » Ils ont une conversation pour construire leurs idées ensemble, mais ce sont toujours eux qui prennent les décisions finales.
Le Conducteur Dépendant (4,5 %) : Ces étudiants laissent l'IA prendre le volant. Ils disent à l'IA : « Conduisez-moi à destination », et ils s'assoient pour regarder le paysage. Ils ne dirigent pas ; ils sont juste passagers.

2. La grande surprise : Le « piège du score »

C'est la partie la plus déroutante de l'étude, et c'est pourquoi elle est si importante.

Lorsque les chercheurs ont examiné les notes et les scores de « qualité d'écriture », les Conducteurs Stratégiques (ceux qui sont aux commandes) avaient les scores les plus bas. Les Conducteurs Dépendants (ceux qui laissent l'IA conduire) avaient les scores les plus élevés.

Pourquoi ?
Les chercheurs ont réalisé que les tests étaient truqués. Les questions des tests étaient comme demander : « À quel point le GPS vous a-t-il aidé à aller au magasin ? »

Le Conducteur Stratégique dit : « Pas beaucoup, je connaissais le chemin. » Donc, il obtient un score bas.
Le Conducteur Dépendant dit : « Le GPS a tout fait ! » Donc, il obtient un score élevé.

L'étude appelle cela un « artefact de mesure ». C'est comme peser un poisson sur une balance qui ne mesure que la quantité d'eau dans le seau, et non le poids du poisson. Les tests mesuraient ce que l'IA avait fait, et non la qualité de l'écriture de l'étudiant. Les étudiants qui réfléchissaient le plus et utilisaient l'IA le moins étaient accidentellement punis par le système de notation.

3. Deux moteurs différents

L'étude a révélé que deux choses différentes contrôlent la façon dont les étudiants utilisent l'IA, et que l'on ne peut pas corriger l'une en réparant l'autre.

Moteur A : « À quel point l'utilisez-vous ? » (Intensité)
Ceci est piloté par la motivation. Pensez-vous que l'IA rendra votre vie plus facile ? Avez-vous l'impression de ne pas pouvoir finir le travail sans elle ? Si vous ressentez une forte pression ou si vous pensez que l'IA est un raccourci magique, vous l'utiliserez beaucoup, qu'il s'agisse d'un conducteur stratégique ou dépendant.
- Analogie : C'est comme votre niveau de faim. Si vous êtes affamé, vous mangerez beaucoup, que vous mangiez une salade saine ou une pizza entière.
Moteur B : « Comment l'utilisez-vous ? » (Type)
Ceci est piloté par la littératie de l'IA (savoir comment l'IA fonctionne). Si vous comprenez que l'IA peut mentir, inventer des choses ou être biaisée, vous deviendrez naturellement un conducteur stratégique ou dialogique. Vous ne la laisserez pas prendre le volant.
- Analogie : C'est comme savoir cuisiner. Si vous savez cuisiner, vous pouvez utiliser un micro-ondes pour réchauffer des restes (Stratégique). Si vous ne savez pas cuisiner, vous allez simplement commander un plat à emporter et prétendre que vous l'avez fait (Dépendant).

4. Les « Abstentionnistes Éthiques »

Il y avait un petit groupe d'étudiants (environ 13 %) qui ne rentrait dans aucune des quatre catégories de conducteurs. Ils refusaient simplement d'utiliser l'IA.

Certains refusaient pour des raisons éthiques (cela ressemble à de la triche).
Certains refusaient pour des raisons environnementales (l'IA consomme trop d'énergie).
Certains refusaient parce qu'ils pensaient que cela freinait leur développement intellectuel.

L'étude a montré que les tests actuels ne peuvent pas faire la différence entre un conducteur stratégique qui choisit de peu utiliser l'IA et un Abstentionniste Éthique qui ne l'utilise jamais. Tous deux se ressemblent sur le test (scores bas), mais leurs raisons sont totalement différentes.

5. Pourquoi cela importe pour les écoles

L'étude a été menée dans une université comptant de nombreux étudiants de première génération et issus de minorités. Les chercheurs ont constaté que les étudiants qui n'avaient pas d'autres systèmes de soutien (comme des liens familiaux avec des centres d'écriture) s'appuyaient davantage sur l'IA pour rattraper leur retard.

La grande conclusion pour les écoles est la suivante : N'essayez pas seulement d'empêcher les étudiants d'utiliser l'IA.

Si vous essayez seulement de réduire la quantité qu'ils utilisent (l'intensité), vous pourriez accidentellement empêcher les étudiants brillants d'utiliser l'IA comme un outil utile.
Au lieu de cela, les écoles doivent enseigner comment l'utiliser (la littératie) pour que les étudiants deviennent des conducteurs stratégiques, et elles doivent comprendre pourquoi les étudiants ressentent ce besoin de l'utiliser (la motivation).

Résumé

L'ancienne méthode : « À quelle fréquence utilisez-vous l'IA ? » (Mauvaise question).
La nouvelle méthode : « Êtes-vous le conducteur, le copilote ou le passager ? »
Le problème : Les tests actuels récompensent les passagers et punissent les conducteurs.
La solution : Nous avons besoin de nouveaux tests qui mesurent le cerveau de l'étudiant, pas le résultat de l'IA, et nous devons apprendre aux étudiants à conduire l'IA, et non pas seulement à s'asseoir à l'arrière.

Résumé technique : Quatre types de recours aux LLM et leurs prédicteurs chez les étudiants de premier cycle

Énoncé du problème
Malgré l'adoption quasi universelle des modèles de langage de grande taille (LLM) dans la rédaction académique des étudiants de premier cycle (environ 92 % des étudiants), le domaine manque de cadres validés pour distinguer les formes qualitativement différentes de recours à l'IA. La recherche existante opérationnalise le recours comme un construit de fréquence unique et continu (ex. : utilisateurs fréquents vs peu fréquents), ce qui occulte des distinctions critiques en matière d'engagement cognitif. Cette limitation structurelle génère des mesures de résultats qui récompensent systématiquement la dépendance cognitive au détriment de l'auteurat intellectuel. Plus précisément, les instruments actuels mesurent le « débit d'IA » (combien l'IA a contribué à une tâche) plutôt que la qualité de l'écriture ou la croissance cognitive, menant à un artefact de mesure où les étudiants exerçant la plus haute agence cognitive (retenue stratégique) apparaissent comme les moins performants. De plus, la littérature n'a pas examiné de manière adéquate ces dynamiques au sein des institutions desservant les minorités (MSI), où l'hétérogénéité de la préparation et le statut de première génération peuvent aggraver les disparités de littératie en IA.

Méthodologie
Cette étude a employé un plan de méthodes mixtes séquentiel explicatif dans une institution publique de type R1 servant les minorités (MSI) et une institution servant les Américains d'origine asiatique et des populations autochtones des îles du Pacifique (AANAPISI).

Participants : La phase quantitative comprenait $N=382$ étudiants de premier cycle. La phase qualitative comprenait 14 entretiens échantillonnés de manière intentionnelle, 35 réponses ouvertes à un sondage (SUR35) et 361 réponses brèves ouvertes (SUR361), totalisant 1 435 instances codées.
Cadre théorique : L'étude a intégré trois cadres :
1. Cadre de la littératie en IA : Pour prédire le type (direction qualitative) du recours.
2. Théorie de l'attente-valeur (EVT) : Pour prédire l'intensité (magnitude quantitative) du recours.
3. Modèle 3P de Biggs (Présage-Processus-Produit) : Pour fournir l'architecture structurelle reliant les caractéristiques des étudiants, les comportages de recours et les résultats.
Instrumentation : Une nouvelle échelle de recours aux LLM composée de 20 items a été développée et validée, mesurant quatre types distincts : Stratégique, Instrumental, Dialogique et Dépendant. Les mesures prédictives comprenaient la littératie en IA (Cœur et Exposition) et les croyances d'Attente-Valeur.
Analyse : L'analyse quantitative comprenait l'analyse factorielle exploratoire (EFA), les tests de fiabilité, l'ANOVA à un facteur, la régression multiple hiérarchique et la régression logistique multinomiale. L'analyse qualitative a utilisé l'analyse thématique réflexive pour valider la typologie et expliquer les modèles quantitatifs.

Contributions clés

Typologie empiriquement validée : L'étude identifie et valide quatre types distincts de recours aux LLM :
- Stratégique (34,3 %) : Engagement délibéré, orienté vers un but, avec vérification active et contrôle de l'auteur complet.
- Instrumental (30,9 %) : Utilisation limitée aux tâches mécaniques (plan, édition) sans déléguer le contenu idéatif.
- Dialogique (30,4 %) : Co-construction itérative où l'IA agit comme un partenaire de réflexion tout en préservant l'agence de l'auteur.
- Dépendant (4,5 %) : Abdication cognitive impliquant une externalisation massive des tâches de rédaction avec une surveillance minimale.
Architecture prédictive à deux niveaux : L'étude établit que deux systèmes distincts et non interchangeables régissent le recours :
- La littératie en IA prédit quel type de recours un étudiant adopte (ex. : une littératie plus élevée prédit le mode Stratégique plutôt que Dépendant).
- Les croyances d'Attente-Valeur prédisent l'intensité avec laquelle un étudiant a recours aux LLM, quel que soit le type.
Identification d'un artefact de mesure : L'étude expose une crise de validité fondamentale dans la recherche actuelle sur les résultats des LLM. Les instruments structurés autour de « J'utilise l'IA pour accomplir X » capturent la contribution de l'IA plutôt que la qualité de l'écriture indépendante. Par conséquent, les utilisateurs Stratégiques — qui limitent délibérément le rôle de l'IA — obtiennent les scores les plus bas sur ces mesures, créant une fausse impression de sous-performance.
Architecture à deux modèles : Les résultats qualitatifs ont révélé une population (13 % des répondants) de « non-utilisateurs de principe » qui s'abstiennent pour des raisons de valeurs éthiques ou environnementales. Ces étudiants sont distincts des utilisateurs stratégiques à faible intensité et sortent du champ d'explication des cadres de recours existants, nécessant un modèle d'abstention séparé.

Résultats

Distribution : Stratégique (34,3 %), Instrumental (30,9 %), Dialogique (30,4 %) et Dépendant (4,5 %) étaient les types dominants.
Disparités de résultats : Les résultats quantitatifs ont montré que les utilisateurs Stratégiques obtenaient des scores significativement inférieurs aux utilisateurs Dépendants sur les dix variables de processus et de résultats d'écriture (ex. : Qualité, Originalité, Pensée critique), avec des tailles d'effet importantes ( $\eta^2$ compris entre .166 et .329).
Modélisation prédictive :
- Intensité : Les croyances d'Attente-Valeur étaient le prédicteur le plus fort de l'intensité du recours ( $\beta = .630$ , $\Delta R^2 = .256$ ), expliquant plus de variance que les données démographiques ou la littératie en IA combinées.
- Type : La littératie en IA était le prédicteur le plus fort du type de recours. Chaque augmentation d'une unité de la littératie en IA réduisait les chances de classification comme Dépendant par rapport à Stratégique d'environ dix fois ($OR = 0,11, p < ,001$).
- Démographie : Le statut de première génération était un prédicteur significatif d'une intensité de recours plus élevée ( $\beta = .153$ ), suggérant une dynamique de compensation où l'IA supplée aux ressources académiques.
Validation qualitative : L'analyse thématique a confirmé la typologie et a révélé des trajectoires de développement (passage du mode Dépendant au mode Stratégique au fil du temps) ainsi que l'existence d'un non-usage de principe dicté par des contraintes éthiques plutôt que par une faible littératie.

Signification et affirmations
L'article affirme que la compréhension actuelle des résultats des LLM est structurellement erronée. Le fait que les utilisateurs Stratégiques obtiennent les scores les plus bas n'est pas une preuve de mauvaise performance, mais un artefact de mesure qui pénalise l'agence cognitive. L'étude soutient que :

Les interventions doivent être distinctes : Les programmes de littératie en IA devraient cibler le type d'engagement (passer de l'utilisation non critique à l'utilisation critique), tandis que les interventions motivationnelles doivent traiter l'intensité de l'engagement. Les traiter comme interchangeables est inefficace.
Les implications pour l'équité sont centrales : Dans les MSI, les disparités de littératie en IA aggravent les inégalités structurelles existantes. Les étudiants de première génération peuvent recourir davantage à l'IA pour compenser les lacunes de ressources, et les mesures de résultats actuelles interprètent mal leur retenue sophistiquée comme un échec.
Instrumentation future : Le domaine nécessite de nouveaux instruments qui distinguent l'atteinte médiée par l'IA de la compétence de rédaction indépendante afin d'éviter de représenter systématiquement de manière erronée les étudiants les plus sophistiqués sur le plan cognitif.

L'étude conclut que sans traiter ces lacunes théoriques et de mesure, la base de preuves concernant les LLM dans l'éducation restera déformée, récompensant la dépendance et occultant les bénéfices d'un usage de l'IA stratégique et de principe.