📈 economics

Curriculum design in the age of AI

Cet article modélise la manière dont la disponibilité de l'IA modifie la conception optimale des programmes scolaires, montrant que si l'IA peut accélérer l'apprentissage pour les étudiants hautement qualifiés lorsqu'elle complète l'effort, elle force généralement les enseignants à déformer les séquences de tâches pour encourager l'effort des étudiants, ce qui entraîne finalement une réduction du développement global des compétences.

Auteurs originaux : Benjamin Davies

Publié 2026-07-22

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Benjamin Davies

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 essayez de vous améliorer dans quelque chose, comme un jeu vidéo ou la résolution d'une énigme complexe. Vous savez qu'il y a deux façons d'aborder un niveau : vous pouvez passer par le « grind » (le travail acharné et répétitif) par vous-même, en luttant contre chaque obstacle, ou vous pouvez utiliser un « code de triche » qui résout instantanément l'énigme pour vous. Dans le monde de l'économie et de l'éducation, c'est un arbitrage classique. Le « grind » est un travail difficile, mais il muscle votre cerveau (vos compétences) pour l'avenir. Le « code de triche » est facile et vous donne un score parfait immédiatement, mais il laisse vos muscles cérébraux faibles. Ce document, écrit par un économiste nommé Benjamin Davies, pose une question brûlante pour notre époque : si les étudiants ont accès à un code de triche super intelligent (l'Intelligence Artificielle), comment les enseignants devraient-ils concevoir leurs devoirs pour s'assurer que les étudiants développent tout de même des capacités solides ?

Le document utilise un modèle où un étudiant est confronté à une séquence de tâches. Il peut soit faire le travail (ce qui coûte de l'effort mais développe la compétence), soit le confier à une IA (ce qui ne coûte aucun effort mais ne développe aucune compétence). Le rôle de l'enseignant est d'organiser les tâches selon un ordre spécifique — un « curriculum » — pour inciter l'étudiant à fournir le plus de travail possible. Le document explore ce qui se passe lorsque l'enseignant tente de déjouer la tentation de l'étudiant d'utiliser l'IA. Il s'avère que la présence de l'IA force les enseignants à changer entièrement de stratégie, obligeant parfois les devoirs précoces à se concentrer sur des types de pensée spécifiques pour maintenir l'engagement des étudiants, et faisant parfois en sorte que l'IA aide réellement les étudiants à haut niveau à apprendre plus vite tout en nuisant aux étudiants à faible niveau.

Le dilemme du code de triche

Considérez l'éducation d'un étudiant comme une longue campagne de jeu vidéo. Les « compétences » sont la force et l'intelligence de votre personnage, qui ne croissent que lorsque vous combattez les monstres vous-même. L'« effort » est l'énergie que vous dépensez à manier votre épée. Dans cette histoire, l'IA est une baguette magique capable de vaincre n'importe quel monstre instantanément. Si vous utilisez la baguette, vous obtenez le trésor (la note) sans manier l'épée, mais votre personnage ne devient pas plus fort.

L'enseignant est le concepteur du jeu. Son objectif n'est pas seulement de vous donner un score élevé ; c'est de s'assurer que votre personnage devienne un héros légendaire à la fin du jeu. Le document demande : comment le concepteur du jeu doit-il organiser les niveaux pour que vous choisissiez de manier votre épée plutôt que d'utiliser la baguette ?

Le monde « sans triche » : une ascension fluide

D'abord, le document examine un monde où le code de triche n'existe pas (ou bien l'étudiant refuse de l'utiliser). Dans ce scénario de « premier rang » (First-Best), l'enseignant conçoit un chemin parfait. Les premiers niveaux sont simples mais nécessitent que vous maniiez beaucoup votre épée (haute « intensité d'effort »). À mesure que vous devenez plus fort et que votre personnage monte en niveau, les niveaux ultérieurs deviennent plus complexes. Ils exigent que vous compreniez comment manier l'épée, et pas seulement que vous la maniiez aveuglément (haute « intensité de compétence »).

La logique est simple : quand vous êtes faible, vous devez pratiquer les bases. Quand vous êtes fort, vous devez apprendre la stratégie. Le document prouve qu'en l'absence d'IA, le meilleur curriculum commence par un travail de force et évolue progressivement vers des énigmes cérébrales. Cela fait sens car votre force et votre stratégie fonctionnent mieux ensemble ; plus vous devenez fort, plus votre stratégie devient efficace.

Le monde du « code de triche » : le rebondissement

Introduisez maintenant l'IA. Soudain, l'étudiant a un choix : « Est-ce que je manie mon épée, ou est-ce que j'agite simplement la baguette ? » Si la baguette donne un score parfait avec zéro effort, l'étudiant agit avec la baguette à chaque niveau facile. Si l'enseignant conserve le plan du « premier rang » (niveaux faciles d'abord), l'étudiant utilisera simplement l'IA, n'apprendra rien, et le plan de l'enseignant échouera.

Pour corriger cela, l'enseignant doit « déformer » le curriculum. C'est la grande découverte du document. Pour empêcher l'étudiant de brandir la baguette sur les premiers niveaux, l'enseignant doit rendre ces premiers niveaux plus exigeants en termes de « puissance cérébrale » (compétence) d'une manière spécifique. Il doit faire en sorte que les premières tâches exigent que l'étudiant identifie la bonne méthode pour résoudre le problème, plutôt que de simplement appliquer une méthode donnée. Cela force l'étudiant à comprendre les règles du jeu pour battre le niveau, ce qui rend l'utilisation de l'IA moins efficace car l'IA ne peut pas simplement exécuter une routine préétablie ; l'étudiant doit d'abord comprendre ce qu'il doit faire.

Le document montre que cela crée une courbe étrange en forme de U pour les devoirs :

Niveaux précoces : L'enseignant les rend plus exigeants en pensée stratégique (haute intensité de compétence) pour forcer l'étudiant à identifier la bonne approche.
Niveaux intermédiaires : À mesure que l'étudiant devient plus intelligent, l'enseignant réduit la complexité et laisse l'étudiant faire plus de « grind » (effort).
Niveaux tardifs : Une fois que l'étudiant est un pro, l'enseignant revient au plan initial : des énigmes de stratégie complexes que l'étudiant peut résoudre par lui-même.

Le résultat ? L'étudiant apprend toujours, mais il apprend moins que s'il n'avait pas eu l'IA. L'enseignant a dû tellement tordre le jeu pour garder l'étudiant honnête que la courbe d'apprentissage globale est aplatie.

La « baguette magique » devient plus puissante : Hautes compétences vs Faibles compétences

Le document va plus loin. Et si l'IA devenait encore plus intelligente ? Plus précisément, et si l'IA pouvait être utilisée pour accélérer le travail effectif (l'effort) une fois que l'étudiant a déterminé la stratégie ? Le document trouve une division surprenante dans l'effet de cela sur les étudiants.

L'étudiant à haute compétence : Si un étudiant est déjà plutôt bon au jeu, une IA plus intelligente l'aide en réalité à apprendre plus vite. Pourquoi ? Parce que l'IA peut accélérer les parties demandant de l'effort (comme prouver une série de lemmes dans un problème de mathématiques) une fois que l'étudiant a utilisé sa compétence pour identifier la stratégie. L'IA agit comme un catalyseur pour la productivité de son effort, lui permettant de gagner des compétences plus rapidement.
L'étudiant à faible compétence : Si un étudiant est en difficulté, une IA plus intelligente le fait apprendre plus lentement. La « super-baguette » est juste trop tentante. Il l'utilise pour sauter tout le travail difficile, et parce qu'il saute le travail, il ne développe jamais les compétences nécessaires pour s'améliorer.

Cela suggère qu'à mesure que l'IA progresse, l'écart entre les étudiants « brillants » et les étudiants « en difficulté » pourrait s'élargir. Les plus doués utilisent l'outil pour voler ; ceux qui luttrent utilisent l'outil pour flotter, sans jamais apprendre à voler par eux-mêmes.

L'essentiel

Le document ne dit pas que l'IA est mauvaise ou bonne ; il dit que l'IA change les règles du jeu. Si les enseignants continuent de concevoir les devoirs de la même manière qu'avant, les étudiants utiliseront simplement l'IA pour tricher, et l'apprentissage s'arrêtera. Pour contrer cela, les enseignants devront peut-être rendre les premiers devoirs plus axés sur le « montrer son raisonnement » et la compréhension du « pourquoi », plutôt que sur la simple obtention de la bonne réponse.

Le modèle suggère que si vous voulez que les étudiants apprennent, vous ne pouvez pas simplement leur donner une liste de tâches. Vous devez concevoir soigneusement la difficulté pour que l'utilisation du « code de triche » semble être un mauvais calcul. Mais même avec la meilleure conception, le document suggère que la présence de l'IA rend plus difficile pour tout le monde d'atteindre son plein potentiel, et qu'elle pourrait rendre la différence entre un excellent étudiant et un étudiant en difficulté encore plus dramatique. C'est un rappel qu'à l'ère de l'IA, la façon dont nous enseignons pourrait devoir changer autant que la façon dont nous apprenons.

Résumé technique : Conception de programmes d'études à l'ère de l'IA

Énoncé du problème
L'article traite du défi de la conception de programmes d'études éducatifs dans un environnement où les étudiants ont accès à l'intelligence artificielle (IA) capable de déléguer les travaux scolaires. Bien que l'IA puisse stimuler la productivité, des preuves empiriques suggèrent qu'elle peut inhiber l'apprentissage en permettant aux étudiants de « court-circuiter la lutte productive » essentielle à l'acquisition de compétences. Le problème central est une dynamique de principal-agent : un enseignant prévoyant (le principal) doit concevoir une séquence de tâches (le programme) pour maximiser le développement des compétences d'un étudiant myope (l'agent), sachant que l'étudiant peut choisir entre travailler (en supportant des coûts d'effort mais en développant des compétences) ou déléguer à l'IA (en ne supportant aucun coût d'effort mais en ne développant aucune compétence). L'enseignant doit équilibrer la difficulté des tâches pour inciter à l'effort tout en tenant compte de la tentation de l'étudiant de déléguer.

Méthodologie
L'auteur développe un modèle dynamique d'« apprentissage par la pratique » avec une conception de programme endogène.

Agents : Un étudiant myope et un enseignant.
Tâches : Une séquence $t \in \{0, \dots, T-1\}$ .
Production : Le travail sur une tâche combine l'effort ( $x$ ) et la compétence ( $s$ ) pour produire un résultat. L'effort est coûteux ; la compétence est gratuite. Ce sont des intrants complémentaires. Les tâches sont caractérisées par une intensité d'effort ( $\eta$ ), où une $\eta$ faible implique une forte dépendance à la compétence (identification des méthodes) et une $\eta$ élevée implique une forte dépendance à l'effort (application de méthodes données).
Délégation : L'étudiant peut déléguer une tâche à l'IA, recevant un gain fixe $u$ avec un effort nul et un gain de compétence nul.
Accumulation de compétences : La compétence augmente proportionnellement à l'effort exercé ( $\Delta s = r x$ ) si l'étudiant travaille ; sinon, la compétence reste statique.
Objectif : L'enseignant choisit la séquence des intensités d'effort $(\eta_t)$ pour maximiser le gain total de compétence de l'étudiant ( $s_T - s_0$ ), sous réserve de la contrainte de compatibilité des incitations (IC) de l'étudiant : l'étudiant ne travaille que si le gain provenant du travail est supérieur au gain de délégation.

L'analyse procède en caractérisant l'effort de réponse optimale de l'étudiant et son gain, puis en résolvant la conception de programme optimale de l'enseignant selon deux scénarios : le « premier rang » (absence de menace de délégation) et le « second rang » (menace de délégation). Enfin, le modèle est étendu pour inclure un paramètre de « qualité de l'IA » ( $q$ ) qui peut compléter l'effort (augmentant le produit marginal de l'effort) tout en augmentant également le gain de délégation.

Contributions clés et résultats

1. Programme du premier rang (Absence de menace de délégation)
Lorsque le gain de délégation est nul ( $u=0$ ), l'étudiant travaille toujours. L'enseignant optimise uniquement pour maximiser l'effort.

Résultat (Théorème 1) : Le programme optimal présente des tâches qui sont progressivement moins intensives en effort et plus intensives en compétence au fil du temps.
Mécanisme : Les premières tâches sont intensives en effort pour inciter à l'effort lorsque l'étudiant a une faible compétence. À mesure que l'étudiant accumule des compétences, l'enseignant passe à des tâches intensives en compétence. Comme l'effort et la compétence sont complémentaires, une compétence plus élevée rend l'effort plus productif ; ainsi, l'enseignant réduit l'intensité de l'effort pour capitaliser sur cette complémentarité, extrayant un effort maximal de l'étudiant désormais plus capable.

2. Programme du second rang (Menace de délégation)
Lorsque $u > 0$ , l'étudiant peut déléguer si le gain provenant du travail est insuffisant.

Résultat (Théorème 2) : L'enseignant doit déformer le programme pour satisfaire les contraintes d'incitation. La séquence optimale présente des intensités d'effort croissantes puis décroissantes.
Mécanisme : Sur les premières tâches, l'étudiant a une faible compétence et un faible gain provenant du travail, rendant la délégation attractive. Pour empêcher cela, l'enseignant doit rendre les premières tâches plus intensives en compétence que la prescription du premier rang (en déformant $\eta$ vers le bas) afin d'augmenter le gain de l'étudiant provenant du travail. À mesure que l'étudiant acquiert des compétences, la contrainte de délégation s'assouplit, et le programme transite vers la voie du premier rang de diminution de l'intensité de l'effort.
Implication : La présence de l'IA conduit à un développement de compétences globalement moindre par rapport au cas du premier rang car l'enseignant doit déformer la conception des tâches pour maintenir l'engagement de l'étudiant.

3. Impact de la compétence initiale et des paramètres

Résultat (Théorème 3) : Le gain total de compétence est croissant en fonction de la compétence initiale ( $s_0$ ), de la productivité ( $\pi$ ) et du taux d'accumulation des compétences ( $r$ ), mais décroissant en fonction du gain de délégation ( $u$ ).
Mécanisme : Cela confirme la dynamique « la compétence appelle la compétence ». Une compétence initiale plus élevée réduit la tentation de déléguer tôt, permettant un programme plus proche du premier rang, ce qui accélère davantage l'accumulation de compétences.

4. L'IA comme complément de l'effort
Le modèle est étendu pour permettre à la qualité de l'IA ( $q$ ) d'augmenter le produit marginal de l'effort (complémentarité) tout en augmentant également le gain de délégation.

Résultat (Théorème 4) : L'impact de l'amélioration de la qualité de l'IA est non monotone et dépend du niveau de compétence de l'étudiant.
- Étudiants à haute compétence : À mesure que $q$ augmente, ces étudiants acquièrent des compétences plus rapidement. Leur gain de travail augmente plus vite que leur gain de délégation, ce qui les rend plus enclins à travailler. L'enseignant répond en augmentant l'intensité de l'effort pour capitaliser sur leur productivité.
- Étudiants à faible compétence : À mesure que $q$ augmente, ces étudiants acquièrent des compétences plus lentement. L'augmentation du gain de délégation domine l'augmentation du produit marginal de l'effort, rendant la délégation plus attractive. L'enseignant doit alors déformer davantage le programme (réduisant l'intensité de l'effort) pour inciter au travail, ce qui entraîne un effort moindre et une accumulation de compétences plus lente.
Résultat (Section 5.3) : L'effet global de la qualité de l'IA sur le gain total de compétence dépend de la longueur du programme ( $T$ ) et du taux d'accumulation ( $r$ ). Dans les programmes courts, l'effet négatif sur les premières tâches (faible compétence) peut dominer. Dans les programmes longs, l'effet positif sur les tâches ultérieures (haute compétence) peut dominer, à condition que l'étudiant puisse accumuler suffisamment de compétences pour surmonter la tentation initiale de déléguer.

Signification et revendications
L'article affirme fournir un cadre théorique pour comprendre comment la conception pédagogique doit s'adapter à l'IA. Il soutient que :

La déformation du programme est nécessaire : Pour prévenir l'atrophie des compétences induite par l'IA, les enseignants doivent concevoir intentionnellement des tâches qui sont plus intensives en compétence (nécessitant l'identification de méthodes) que dans un environnement sans IA. Cela s'aligne sur les suggestions empiriques consistant à exiger des étudiants qu'ils « documentent leur processus » et « démontrent leur compréhension ».
Impacts divergents : Les améliorations de la qualité de l'IA ne bénéficient pas ou ne nuisent pas uniformément à l'apprentissage. Elles créent une divergence où les étudiants hautement qualifiés accélèrent leur apprentissage, tandis que les étudiants moins qualifiés peuvent être davantage distancés en raison de l'augmentation de la tentation de déléguer.
Complémentarités dynamiques : Le modèle renforce l'importance de l'investissement précoque dans les compétences. Parce que la compétence appelle la compétence, prévenir la délégation précoce est critique pour le développement à long terme.
Applicabilité plus large : Bien que centré sur l'éducation, la logique du modèle concernant la délégation et la conception des incitations s'applique à d'autres contextes, tels que l'externalisation industrielle (où les gouvernements peuvent souhaiter encourager la production nationale pour bâtir le capital humain) ou l'intégrité académique (copier sur ses pairs).

L'article conclut modestement, notant que ses hypothèses (par exemple, les étudiants myopes, l'optimisation d'un étudiant unique) pourraient être assouplies dans des recherches futures pour aborder des scénarios plus complexes du monde réel, tels que la conception de programmes pour des populations étudiantes hétérogènes.