A Tool-Invariant Framework for Teaching and Assessing Computational Methods in the Age of Agentic AI

La nouvelle classe de mathématiques : quand la calculatrice écrit le code

Imaginez que vous apprenez à cuisiner. Pendant des siècles, la partie la plus difficile de la cuisine consistait à couper les légumes et à remuer la marmite. Vous deviez apprendre les techniques de découpe, le rythme et la mémoire musculaire pour réaliser une sauce parfaite. Mais ensuite, quelqu'un a inventé un robot cuisinier. Ce robot ne se contente pas de couper ; il peut lire une recette que vous décrivez en langage courant, hacher les oignons, remuer la sauce, la goûter et même la corriger si elle est trop salée. Soudain, l'acte de « cuisiner » change. Vous n'avez plus besoin d'être un maître du couteau ; vous devez être un maître du goût et un donneur d'instructions clair. Si vous dites simplement « fais quelque chose de savoureux », le robot pourrait créer un désastre qui semble pourtant délicieux.

C'est exactement ce qui se passe dans le monde de l'enseignement de la physique et des sciences. Pendant longtemps, apprendre la « physique computationnelle » signifiait apprendre à écrire du code informatique — taper des instructions pour qu'un ordinateur résolve des problèmes mathématiques complexes, comme prédire le mouvement d'une planète ou la propagation d'un virus. Mais un nouveau type d'intelligence artificielle (IA) est arrivé. Ce ne sont pas de simples chatbots qui répondent à des questions ; ce sont des outils « agentiques ». Ils peuvent prendre une phrase simple comme « simule une balle qui rebondit avec une résistance de l'air » et écrire le code, lancer la simulation, tracer les graphiques et corriger leurs propres erreurs.

La grande question pour les enseignants est la suivante : si le robot fait la cuisine, que les étudiants doivent-ils apprendre ? Doivent-ils encore savoir comment couper les légumes ? Et si le robot rend un rapport d'apparence parfaite, comment savoir si l'étudiant a réellement compris la recette ? Cet article s'attaque précisément à ce problème, affirmant que l'ancienne méthode de notation (se contenter de regarder le rapport final) est obsolète, et propose une nouvelle façon d'enseigner et de tester les étudiants, axée sur la compréhension du pourquoi et du comment, plutôt que sur la simple saisie de texte.

---

L'idée centrale de l'article : de la saisie à la réflexion

L'auteur, Larry Engelhardt, soutient que nous traversons un changement massif, similaire à celui de l'époque où les calculatrices ont remplacé les règles à calcul. Par le passé, les étudiants devaient apprendre la « mécanique » de l'outil : les commandes spécifiques, la syntaxe et les compétences de saisie pour faire fonctionner l'ordinateur. Aujourd'hui, avec ces nouveaux agents d'IA, la « mécanique » est gérée par la machine. Le rôle de l'étudiant est passé de celui d'opérateur à celui de directeur.

L'article suggère que si l'outil change, les éléments fondamentaux que l'étudiant doit connaître sont restés les mêmes depuis des siècles. Engelhardt les organise en cinq « piliers » qui restent vrais, que vous utilisiez un crayon, une calculatrice ou une IA très intelligente :

1. Entrées et Sorties (Inputs and Outputs) : Savoir ce que vous introduisez dans le système et ce que vous attendez en retour.
2. Compréhension Conceptuelle : Savoir ce que la méthode fait réellement et comment elle fonctionne, et pas seulement comment la taper.
3. Terminologie : Utiliser les bons termes scientifiques pour décrire le problème clairement.
4. Sens de l'interprétation (Sensemaking) : La capacité de regarder un résultat et de dire : « Cela fait sens » ou « Cela semble faux ».
5. Utilisation de l'Outil : La compétence consistant à utiliser l'outil actuel (qui consistait autrefois à taper, mais qui consiste désormais à donner des instructions claires à une IA).

La conclusion principale de l'article est qu'à l'ère de l'IA, la compétence la plus importante est devenue l'interprétation (Sensemaking) (Pilier 4). Parce que l'IA peut générer du code et des graphiques instantanément, la capacité de l'étudiant à vérifier si ces résultats sont réels est désormais la compétence la plus critique. L'auteur appelle cela l'« autorité de vérification ». Ce n'est pas parce que l'IA dit « voici la réponse » qu'elle est correcte ; l'étudiant doit être le juge.

Pourquoi les anciens tests sont obsolètes

L'article s'oppose explicitement à la méthode traditionnelle de notation des cours de calcul. Pendant des décennies, les enseignants assignaient un projet : « Écrivez un code pour simuler un pendule, faites un graphique et rendez un rapport. » L'hypothèse était que si l'étudiant rendait un rapport fonctionnel, il devait comprendre la physique.

Engelhardt affirme que ce n'est plus le cas. Il appelle cela l'« effondrement du proxy ». Un « proxy » est un substitut d'autre chose. Le rapport était un substitut de la compréhension de l'étudiant. Mais aujourd'hui, parce qu'une IA peut générer un rapport parfait à la demande, le rapport ne prouve plus rien sur les connaissances de l'étudiant. C'est comme si un étudiant rendait une rédaction parfaite écrite par un auteur célèbre ; la rédaction est bonne, mais elle ne prouve pas que l'étudiant sait écrire. L'article soutient que nous devons cesser de traiter l'« artefact » (le code ou le graphique) comme la preuve de l'apprentissage.

La nouvelle solution : la « Soutenance Orale »

Alors, si nous ne pouvons pas faire confiance aux devoirs, comment tester les étudiants ? L'article propose un système pratique en deux parties, conçu pour les petits groupes où la physique est habituellement enseignée :

1. Des quiz sans IA : Les étudiants passent toujours de courts quiz de codage en classe où ils ne peuvent pas utiliser l'IA. Cela garantit qu'ils n'ont pas perdu la « mémoire musculaire » de base du fonctionnement du code. On pourrait leur demander de corriger un morceau de code défectueux ou d'écrire une petite fonction à partir de zéro.
2. La Soutenance Orale : C'est la grande nouveauté. Après avoir utilisé l'IA pour les aider à construire un projet, les étudiants doivent s'asseoir avec l'enseignant pour une conversation de 10 minutes.
   • Le piège : Avant la réunion, l'enseignant utilise un outil pour supprimer tous les commentaires (les notes expliquant le code) de la soumission de l'étudiant.
   • Le test : L'enseignant demande à l'étudiant de parcourir son propre code, d'expliquer la signification des graphiques et de répondre à des questions telles que : « Pourquoi avez-vous choisi cette méthode ? » ou « Que se passerait-il si nous doublions la masse ? ».
   • Le garde-fou : Il existe une « porte de vérification » spécifique. L'étudiant doit prouver qu'il a vérifié son travail. S'il ne peut pas expliquer pourquoi le résultat est correct, il échoue, même si le code fonctionne parfaitement.

L'auteur suggère que cette soutenance orale est le seul moyen de certifier que l'étudiant est bien l'auteur du travail. C'est similaire à la manière dont un doctorant défend sa thèse ; l'évaluation ne porte pas seulement sur l'écrit, mais sur la capacité de l'étudiant à expliquer et à défendre son travail en personne.

Ce que l'article dit (et ne dit pas)

L'article précise avec prudence qu'il s'agit d'un nouveau cadre basé sur l'expérience et l'adaptation de l'auteur, et non du résultat d'études scientifiques massives et à long terme. L'auteur admet que nous ne connaissons pas encore la « dose » parfaite de pratique du codage nécessaire avant de passer à l'IA. Il suggère que les étudiants doivent toujours voir la « boîte blanche » (le code fonctionnant de manière transparente) au moins une fois pour construire un modèle mental, mais il n'est pas certain de la quantité exacte nécessaire.

L'article écarte également l'idée de simplement « bannir » l'IA. L'auteur soutient que tenter d'empêcher les étudiants d'utiliser l'IA à la maison revient à tenter de les empêcher d'utiliser une calculatrice ; c'est impossible. Au lieu de cela, l'accent doit être mis sur la motivation et la conception de l'évaluation afin de faire de l'utilisation de l'IA le bon moyen d'apprendre, et non le moyen facile de tricher.

L'essentiel

L'article conclut que le « produit » d'un cours de physique computationnelle n'est plus le code ou le graphique. Ces éléments sont devenus peu coûteux et faciles à obtenir. Le véritable produit est la capacité de l'étudiant à expliquer et à défendre les résultats en utilisant le langage de la physique.

Dans un monde où les machines peuvent effectuer le gros du travail, la valeur humaine réside dans le jugement. L'article suggère que l'avenir de l'enseignement ne consiste pas à empêcher le robot d'écrire le code, mais à apprendre à l'étudiant comment être le directeur intelligent et critique qui sait exactement ce que le robot fait, pourquoi il le fait, et si la réponse est réellement vraie. La conversation entre l'étudiant et l'enseignant devient la partie la plus importante du cours, car c'est le seul endroit où une véritable compréhension peut être prouvée.