From Prompt Engineering to Epistemic Prompting: Prompt Trajectories as AI-Mediated Problem Framing in Science Education

Résumé technique : De l'ingénierie de prompt au prompting épistémique

Énoncé du problème
Les approches actuelles de l'interaction avec les modèles de langage de grande taille (LLM) dans l'enseignement des STEM traitent principalement l'« ingénierie de prompt » comme une compétence technique visant à optimiser la qualité, l'exactitude ou le format de la sortie. Bien que cette logique d'évaluation en aval soit nécessaire à l'utilité de l'outil, elle est insuffisante pour l'apprentissage. L'article identifie une lacune critique : la littérature existante ne parvient pas à théoriser comment les tours successifs de l'apprenant fonctionnent comme des mouvements de cadrage de problèmes disciplinaires au sein d'un contexte conversationnel accumulé. De plus, il existe un risque que la fluidité des sorties du modèle puisse masquer des modèles inappropriés, des hypothèses non formulées ou des décalages entre les représentations, entraînant une réduction de l'effort cognitif et l'acceptation de revendications non étayées. Le problème central est l'absence d'un cadre capable d'interpréter les trajectoires de prompts non pas simplement comme des raffinements itératifs pour obtenir de meilleures réponses, mais comme des pratiques épistémiques où l'apprenant articule, régule et évalue la manière dont une tâche de connaissance est constituée.

Méthodologie
Cet article est un papier de modèle conceptuel (Jaakkola, 2020) qui synthétise la littérature existante de quatre branches de recherche principales : l'ingénierie de prompt/la littératie en IA, le tutorat conversationnel, la métacognition/l'autorégulation, et le cadrage épistémologique/les représentations multiples. Plutôt que de présenter de nouvelles données empiriques, l'auteur construit un cadre théorique en cartographiant les « questions non résolues » de ces domaines adjacents. La méthodologie comprend :

1. La synthèse des définitions : Intégrer le « cadrage épistémologique » (l'interprétation située de l'activité, de la connaissance et de l'action) avec la mécanique du dialogue humain-LLM.
2. L'opérationnalisation des concepts : Développer un vocabulaire fonctionnel (Tableau 2) pour coder les tours de l'apprenant en fonction de leur impact sur l'« organisation épistémique » d'un problème.
3. La modélisation de l'interaction : Proposer une « boucle de cadrage-prompting » récursive qui visualise la relation entre la fonction du prompt, le contexte accumulé, les normes disciplinaires et la reprise par l'apprenant (learner uptake).

Contributions clés
L'article introduit le concept de Prompting Épistémique, défini comme la construction et la révision délibérées de prompts pour articuler, régoler et évaluer la manière dont une tâche de connaissance est cadrée. Son critère primaire est l'« adéquation épistémique » — c'est-à-dire si l'interaction rend les objets, les relations, les hypothèses et la distribution du travail disponibles pour l'examen — plutôt que la simple qualité de la sortie.

Les contributions principales incluent :

• La trajectoire de prompt : Déplacer l'unité d'analyse du prompt isolé ou de la réponse finale vers l'ensemble de la séquence composée des prompts, des réponses du modèle, de la reprise de l'apprenant et des vérifications disciplinaires.
• La boucle de Cadrage-Prompting : Un modèle multi-tours où un prompt initial établit un macro-cadre provisoire (sélection des problèmes, des représentations, des hypothèses et de la distribution du travail), et où les tours suivants maintiennent, spécifient, contestent, réparent, transforment ou recadrent cette organisation.
• Taxonomie fonctionnelle : Un ensemble d'indicateurs opérationnels pour coder les tours de l'apprenant (Tableau 2), distinguant entre :
  • Établir (définir le problème et le rôle).
  • Maintenir (préserver le modèle actuel).
  • Spécifier (rendre explicites les éléments implicites).
  • Contester (questionner les preuves ou la validité).
  • Réparer (diagnostiquer les incohérences tout en préservant les éléments justifiés).
  • Transformer la représentation (passer d'un mode à un autre, ex: de un graphique à une équation, à des fins disciplinaires).
  • Recadrer (introduire de nouveaux modèles ou critères).
  • Clore/Synthétiser (demander une validation et une clôture justifiée).
• Garantie Concept-à-Décision : Un critère spécifique exigeant que les prompts connectent les concepts à des décisions concrètes (par exemple, comment un concept contraint un calcul ou un critère de validation), allant au-delà de la simple définition ou de la recherche de réponse.

Résultats et affirmations
En tant que papier conceptuel, les « résultats » sont le cadre proposé et ses implications théoriques pour l'instruction et l'évaluation en STEM :

• Distinction de l'ingénierie de prompt : Contra-irement à l'ingénierie de prompt conventionnelle qui cherche à optimiser la sortie, le prompting épistémique traite le prompt comme une trace publique de l'agence épistémique de l'apprenant. Un prompt est éducativement productif non pas parce qu'il produit une réponse parfaite, mais parce qu'il expose une méconception, un conflit de représentation ou un critère de validation manquant.
• Délégation régulée : Le cadre préconise une « délégation régulée », où le modèle contribue aux représentations, aux calculs ou aux critiques, mais où l'apprenant conserve la responsabilité normative du cadrage, de la validation et de la détermination du moment où une conclusion est justifiée.
• Implications pédagogiques : L'enseignement doit dépasser les « modèles » (templates) pour de bonnes sorties. Au lieu de cela, les tâches doivent exiger que les étudiants formulent des prompts qui énoncent explicitement le contexte disciplinaire, la distribution des rôles, le chemin méthodologique et les critères de validation. Les étudiants doivent être formés à réviser les prompts pour contester les hypothèses ou changer les représentations, plutôt que de simplement reformuler pour plus de clarté.
• Implications pour l'évaluation : L'évaluation devrait examiner la trajectoire du prompt (preuve de processus) plutôt que seulement le prompt final ou la réponse. Les grilles devraient examiner l'adéquation du cadrage initial, la qualité de la reprise, la fonction des suivis et la justification de la clôture, en cherchant des modèles de recherche de réponses improductive versus une régulation épistémique productive.

Signification et limites
L'article affirme que le prompting épistémique étend la littératie en IA en reliant la compétence opérationnelle à la responsabilité de l'enquête. Il soutient que, dans une ère d'IA générative accessible, la compétence décisive est de maintenir le contrôle épistémique sur le processus d'enquête.

L'auteur note explicitement la modestie de ses affirmations concernant le papier :

• Absence de preuves empiriques : L'article propose un cadre mais ne fournit pas de preuves empiriques que l'enseignement du prompting épistémique améliore la compréhension, le transfert ou l'autorégulation.
• Préoccupations d'équité : Le cadre reconnaît que le prompting élaboré en langage naturel peut favoriser les étudiants possédant un langage académique fort ou des connaissances disciplinaires préalables. Il met en garde contre la confusion entre la fluidité linguistique et la compétence épistémique et suggère que l'enseignement doit fournir des points d'entrée multiples (ex: croquis, code, dialogue oral).
• Directions futures : Le papier appelle à des recherches futures pour tester le cadre à travers diverses disciplines, examiner la relation entre les types de trajectoires (ex: contestation/réparation vs recherche de réponse) et la résolution de problèmes indépendante, et valider les catégories de codage par rapport à des mesures indépendantes de la compréhension conceptuelle.