Exploring Students' Perceptions of Using Generative AI-Assisted Problem Posing
Cette étude phénoménologique examine les perceptions des étudiants concernant l'utilisation de l'IA générative pour la formulation de problèmes de physique, constatant que la formation à l'ingénierie de requêtes a positivement façonné leurs interactions et leurs attitudes, soutenant ainsi l'intégration plus large de l'IA dans les pratiques d'apprentissage structurées malgré certaines hésitations persistantes.
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 d'apprendre à faire du vélo. Vous pourriez simplement rester assis à regarder quelqu'un d'autre rouler, ou vous pourriez essayer de mémoriser le chemin exact qu'il a emprunté. Mais la véritable magie opère lorsque vous commencez à construire vos propres petites rampes, à concevoir vos propres obstacles et à découvrir comment garder l'équilibre sur une surface instable que vous avez inventée vous-même. Dans le monde de l'enseignement de la physique, cet acte d'inventer ses propres défis s'appelle la « pose de problèmes » (problem posing). C'est une façon sophistiquée de dire : au lieu de simplement résoudre un casse-tête mathématique que quelqu'un d'autre vous a donné, vous détournez les règles, changez les chiffres ou imaginez un nouveau scénario pour voir si vous comprenez réellement comment l'univers fonctionne.
Maintenant, imaginez que vous avez un ami robot super intelligent et omniscient (l'IA générative) qui peut vous aider à construire ces rampes. Mais attention, si vous demandez simplement au robot : « Fabrique-moi une rampe de vélo difficile », il pourrait vous donner quelque chose de bizarre ou d'inutile. Cependant, si vous apprenez à parler au robot en utilisant un « langage secret » spécial appelé ingénierie de prompt (prompt engineering) — où vous donnez des instructions, des rôles et des étapes très spécifiques — il devient un partenaire incroyable. Ce document explore ce qui se passe lorsque les étudiants apprennent ce langage secret. Les chercheurs voulaient savoir : l'enseignement aux étudiants comment parler correctement à l'IA change-t-il leur façon d'utiliser celle-ci pour inventer leurs propres problèmes de physique ? Et les étudiants aiment-ils réellement utiliser ce compagnon robotique pour étudier, ou pensent-ils que c'est une méthode qui mine le processus d'apprentissage ?
L'Expérience : Enseigner aux étudiants comment parler au robot
Dans cette étude, des chercheurs de l'Université Purdue ont invité un groupe d'étudiants de premier cycle suivant un cours de physique à jouer à un jeu avec l'IA générative. L'objectif était de voir si un petit entraînement pouvait transformer une interaction maladroite avec l'IA en un outil d'étude puissant. Les étudiants sont passés par trois étapes au cours d'une semaine.
D'abord, dans la phase « Avant l'entraînement », les étudiants ont été invités à utiliser un outil d'IA de leur choix pour créer une nouvelle version d'un problème de physique qu'ils avaient déjà résolu. Ils devaient discuter avec l'IA, créer un nouveau problème, puis écrire ce qu'ils pensaient de la conversation. À ce stade, la plupart des étudiants posaient simplement des questions basiques, comme « Donne-moi une version plus difficile de ceci ».
Ensuite, la phase « Entraînement ». Les étudiants ont regardé une vidéo de 15 minutes. Ce n'était pas une conférence ennuyeuse ; elle leur enseignait comment utiliser l'« ingénierie de prompt ». Voyez cela comme l'apprentissage de la manière de donner des directions très précises à un GPS. Au lieu de simplement dire « Roule vers la plage », vous apprenez à dire « Roule vers la plage, mais prends la route panoramique, évite l'autoroute et arrête-toi pour prendre une glace ». La vidéo leur a également enseigné une façon spéciale de réfléchir aux problèmes de physique, les aidant à comprendre comment modifier le contexte ou la difficulté d'un problème de manière significative.
Enfin, la phase « Après l'entraînement ». Les étudiants sont retournés vers l'IA. On leur a demandé de faire exactement la même chose : créer un nouveau problème de physique. Mais cette fois, ils devaient utiliser le nouveau « langage secret » et les compétences de réflexion qu'ils venaient d'apprendre. Ensuite, ils ont réfléchi à la façon dont l'expérience différait par rapport à la première fois.
Ce que les étudiants ont découvert
Les résultats étaient comme regarder un groupe de personnes passer de l'utilisation maladroite d'une nouvelle manette de jeu vidéo à celle de joueurs professionnels. Lorsque les chercheurs ont examiné les réflexions des étudiants, ils ont constaté que 76 % des étudiants ressentaient un changement positif dans leur interaction avec l'IA après l'entraînement.
Avant l'entraînement, beaucoup d'étudiants décrivaient leurs conversations avec l'IA comme étant « basiques », « sans axe précis » ou comme s'ils recevaient des réponses qui ne correspondaient pas tout à fait à leurs besoins. C'était comme essayer de commander une pizza personnalisée en criant simplement « Je veux une pizza ! » en espérant le meilleur. Après l'entraînement, les étudiants ont senti que leurs conversations devenaient plus semblables à un véritable dialogue. Ils utilisaient des techniques comme le « jeu de rôle » (dire à l'IA d'agir comme un personnage spécifique) et la « chaîne de pensée » (demander à l'IA de montrer son raisonnement étape par étape). Un étudiant a noté qu'avant, les réponses semblaient moins détaillées, mais qu'après avoir appris les nouvelles techniques, les réponses de l'IA étaient devenues « plus claires, plus approfondies et expliquaient mieux les étapes impliquées ».
Il est intéressant de noter que les rares étudiants qui n'ont pas ressenti de grand changement étaient généralement ceux qui savaient déjà comment parler à l'IA ou qui utilisaient déjà des astuces simples par eux-mêmes. Pour eux, l'entraînement a simplement donné des noms à des choses qu'ils faisaient déjà.
Les étudiants aiment-ils utiliser l'IA pour étudier ?
La seconde grande question était : les étudiants veulent-ils réellement utiliser cette méthode pour étudier par eux-mêmes ? La réponse est majoritairement un « Oui » joyeux, mais avec quelques « Non » grincheux et quelques « Peut-être ».
Environ 68 % des étudiants avaient des attitudes positives envers l'utilisation de l'IA pour la pose de problèmes. Ils y voyaient un moyen d'obtenir des problèmes d'entraînement personnalisés, de recevoir un feedback de type tutorat et de cibler les domaines spécifiques où ils étaient faibles. Ils imaginaaient utiliser l'IA pour préparer des examens ou approfondir leur compréhension de concepts complexes. C'était comme avoir un entraîneur personnel capable d'inventer un million d'exercations différents juste pour vous.
Un autre 17 % des étudiants avaient des sentiments mitigés. Ils trouvaient l'idée intéressante et potentiellement utile, mais étaient hésitants. Certains craignaient que l'IA ne commette des erreurs ou ne crée de faux problèmes, et qu'ils devraient donc tout vérifier. D'autres estimaient que, bien que cela soit utile, ils préféraient s'en tenir aux devoirs officiels et aux tests d'entraînement donnés par leurs professeurs. Ils étaient comme des enfants qui aiment l'idée de construire leur propre château LEGO mais qui veulent quand même s'assurer que les instructions sont parfaites avant de commencer.
Enfin, environ 9 % des étudiants avaient des avis négatifs. Ces étudiants étaient fermement opposés à l'utilisation de l'IA pour leurs études. Leurs raisons n'étaient pas liées à la qualité des problèmes, mais à l'éthique. Certains estimaient qu'il était moralement incorrect d'utiliser l'IA pour le travail scolaire, tandis que d'autres s'inquiétaient de l'impact environnemental de l'utilisation de ces ordinateurs puissants. Ils pensaient que les étudiants avaient réussi à apprendre la physique pendant des années sans l'IA, grâce aux manuels et aux professeurs humains, et que l'IA ne devrait pas être encouragée.
La vue d'ensemble
Lorsque l'on rassemble toutes les pièces, l'étude suggère une tendance claire : l'entraînement compte. La vaste majorité des étudiants qui ont ressenti une amélioration de leur interaction avec l'IA après l'entraînement ont également eu une vision positive de l'utilisation de l'IA pour la pose de problèmes. Même parmi les étudiants sceptiques vis-à-vis de l'IA en général, ceux qui ont vu leurs interactions s'améliorer ont tout de même reconnu qu'apprendre à « prompter » l'IA était crucial.
Les chercheurs ont découvert que, bien que la plupart des étudiants soient ouverts à l'utilisation de l'IA comme partenaire d'étude, il existe un petit groupe qui ne l'utilisera jamais en raison d'objections morales. Cependant, pour les autres, enseigner aux étudiants comment parler correctement à l'IA semble être la clé pour débloquer son potentiel. Cela transforme un outil qui pourrait simplement donner des réponses en un partenaire qui aide à construire sa propre compréhension. L'étude conclut que les écoles devraient envisager d'enseigner ces compétences d'« ingénierie de prompt » pour aider les étudiants à tirer le meilleur parti de l'IA sans perdre leur propre capacité de pensée critique. Il ne s'agit pas de remplacer l'étudiant par le robot, mais d'apprendre à l'étudiant comment conduire le robot.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.