📄 social_science

Do Social Norms Matter in Promoting Students’ Engagement in GenAI-Supported Learning Environments? An Integrated Theoretical Model

Cette étude utilise les données de 2 568 étudiants de premier cycle chinois pour démontrer que les attitudes positives envers l'IA générative renforcent significativement l'engagement des étudiants par la médiation séquentielle de l'intention d'utilisation et de l'auto-efficacité, un processus qui est davantage renforcé par des normes sociales de soutien.

Auteurs originaux : Chengjin Gao, Dong Yang, Gurpinder Singh Lalli

Publié 2026-08-11

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Chengjin Gao, Dong Yang, Gurpinder Singh Lalli

Article original sous licence CC BY 4.0 (https://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 pénétrez dans une bibliothèque géante et futuriste où les livres peuvent vous répondre, rédiger des essais pour vous et même débattre d'histoire. C'est le monde de l'IA générative dans l'éducation. Mais ce n'est pas parce que la bibliothèque est ouverte que tout le monde veut s'y précipiter pour discuter avec les livres. Certains étudiants sont enthousiastes, certains ont peur, et d'autres ne savent tout simplement pas comment parler aux machines. C'est là que la science de la psychologie et de l'éducation se rencontrent.

Pour comprendre pourquoi un étudiant décide de plonger dans cette bibliothèque d'IA, les chercheurs examinent quelques idées clés. Premièrement, il y a l'Attitude : c'est simplement votre ressenti viscéral. Pensez-vous que l'IA est cool et utile, ou est-ce un robot effrayant qui va voler vos devoirs ? Deuxièmement, l'Auto-efficacité (Self-Efficacy). Voyez cela comme votre muscle du « je peux le faire ». Il ne s'agit pas de savoir si vous êtes doué pour utiliser l'IA en ce moment, mais si vous croyez que vous pouvez apprendre à être doué si vous essayez. Troisièmement, l'Intention, qui est simplement le plan consistant à réellement utiliser l'outil. Enfin, il y a les Normes Sociales. C'est le « test de l'ambiance » (vibe check) de votre école. Vos professeurs, vos amis et votre établissement semblent-ils dire : « Hé, utiliser l'IA est une excellente idée ! » ou murmurent-ils : « Ne touchez pas à ça, c'est contre les règles » ?

Pourquoi est-ce important ? Parce que les écoles investissent énormément d'argent dans ces outils d'IA, mais si les étudiants sont trop effrayés, trop incertains d'eux-mêmes ou s'ils sentent que leurs amis les jugent, ils ne les utiliseront pas. Et s'ils ne les utilisent pas, ils passent à côté de la chance d'apprendre d'une toute nouvelle manière. La grande question est la suivante : comment passer de « Je suppose que l'IA est acceptable » à « Je suis profondément impliqué et j'apprends avec l'IA chaque jour » ?

L'Étude : Le Détective de l'Engagement de l'IA

Une équipe de chercheurs de Chine a décidé de jouer au détective pour résoudre ce mystère. Ils ont rassemblé un groupe massif de 2 568 étudiants universitaires et leur ont posé de nombreuses questions sur la façon dont ils percevaient l'IA, sur leur confiance dans l'utilisation de celle-ci, sur leurs intentions et sur ce que leurs amis et professeurs pensaient. Ils ont ensuite utilisé un outil mathématique très intelligent (appelé PLS-SEM, qui est comme un GPS pour trouver les connexions cachées dans les données) pour cartographier exactement comment ces sentiments sont liés les uns aux autres.

Voici ce qu'ils ont découvert, présenté sous forme de récit :

1. L'Étincelle : L'Attitude est le Moteur
L'étude a révélé que si un étudiant a une attitude positive envers l'IA (il pense qu'elle est utile et amusante), il est beaucoup plus susceptible d'être engagé. L'engagement signifie ici qu'ils ne font pas que cliquer sur des boutons ; ils réfléchissent profondément, posent des questions et s'impliquent réellement.

L'analogie : Considérez l'attitude envers l'IA comme le carburant d'une voiture. Si le carburant est de haute qualité (sentiments positifs), la voiture est prête à partir. Si le carburant est mauvais (sentiments négatifs), la voiture ne démarrera pas, peu importe la qualité du moteur.

2. Les Intermédiaires : Confiance et Plans
Mais avoir une attitude positive n'est pas la seule chose qui compte. Les chercheurs ont découvert que l'attitude fonctionne à travers deux intermédiaires : l'Auto-efficacité et l'Intention.

La réaction en chaîne : Un étudiant ayant une attitude positive commence d'abord par se dire : « Je peux réellement apprendre à utiliser ceci ! » (Auto-efficacité). Une fois qu'il croit pouvoir le faire, il établit un plan : « Je vais utiliser cet outil pour mon prochain projet » (Intention). Enfin, ce plan se transforme en action (Engagement).
L'analogie : Imaginez que vous vouliez faire du skateboard.
- Attitude : Vous pensez que le skateboard a l'air génial.
- Auto-efficacité : Vous vous dites : « Je peux apprendre à garder l'équilibre sur celui-ci. »
- Intention : Vous décidez : « Je vais aller au parc et essayer. »
- Engagement : Vous êtes réellement dehors en train de skater.
  L'étude a montré que sauter l'étape de la croyance « je peux le faire » ou de l'étape du plan « je vais le faire » rend l'engagement réel beaucoup plus difficile.

3. L'Amplificateur : Les Normes Sociales
C'est la partie la plus intéressante. Les chercheurs ont découvert que les Normes Sociales agissent comme un bouton de volume ou un turbocompresseur.

Comment ça marche : Si un étudiant a une attitude positive mais que son professeur dit « l'IA est mauvaise » ou que ses amis disent « ne l'utilise pas », le lien entre son attitude et son action s'affaiblit. Mais, si l'étudiant a une attitude positive et que ses professeurs et ses amis l'encouragent (« Oui ! Utilise l'IA ! »), cette attitude positive explose en une confiance bien plus forte et un engagement beaucoup plus profond.
L'analogie : Pensez à votre attitude comme à un petit feu de camp.
- Faibles Normes Sociales : Si tout le monde autour de vous souffle sur le feu pour l'éteindre (ondes négatives), le feu reste petit, même si vous avez du bon bois (attitude positive).
- Normes Sociales Élevées : Si tout le monde évente les flammes et ajoute plus de bois (ondes positives/soutien), ce même petit feu de camp se transforme en un brasier rugissant. L'environnement de soutien fait travailler vos sentiments positifs beaucoup plus intensément.

4. Ce qu'ils ont écarté
L'étude a également clarifié que le fait d'avoir une attitude positive n'est pas une baguette magique. Vous pouvez penser que l'IA est géniale, mais si vous ne croyez pas en votre capacité à l'utiliser (faible auto-efficacité) ou si votre environnement est hostile (normes sociales négatives), vous ne finirez pas par être profondément engagé. Le document suggère que vous ne pouvez pas simplement dire aux étudiants « l'IA est cool » et espérer qu'ils se lancent ; vous devez renforcer leur confiance et vous assurer que leur environnement scolaire les soutient.

5. Quel est leur degré de certitude ?
Les chercheurs sont assez confiants dans ces résultats car ils ont utilisé un nombre énorme d'étudiants (plus de 2 500) et des mathématiques rigoureuses pour prouver les liens. Ils ont trouvé que la « chaîne » Attitude → Confiance → Plan → Action est réelle et mesurable. Ils ont également trouvé que l'effet « turbo » des Normes Sociales est statistiquement significatif, ce qui signifie que ce n'est pas un coup de chance ; cela change réellement le comportement des étudiants.

L'essentiel à retenir
Ce document nous dit que pour rendre les étudiants enthousiastes et profondément impliqués avec l'IA à l'école, nous ne pouvons pas simplement leur donner la technologie. Nous devons :

Faire en sorte qu'ils aiment l'idée de l'utiliser.
Les aider à croire qu'ils sont capables de l'utiliser.
S'assurer que leurs professeurs et leurs amis les encouragent.

Si vous réussissez ces trois points, les étudiants ne feront pas que utiliser l'IA ; ils s'engageront véritablement avec elle, apprenant et grandissant d'une manière que nous commençons à peine à comprendre.

Résumé technique : Normes sociales et engagement étudiant dans l'apprentissage soutenu par l'IA générative

Problématique

Alors que l'intelligence artificielle générative (IA générative) transforme rapidement l'enseignement supérieur grâce à des outils tels que les systèmes de recommandation intelligents et l'évaluation automatisée, les mécanismes reliant l'acceptation de l'IA à l'engagement réel des étudiants restent insuffisamment compris. La recherche existante se concentre souvent sur les fonctionnalités techniques ou l'adoption initiale de la technologie, négligeant les processus psychologiques qui transforment l'acceptation en comportements d'apprentissage soutenus et profonds. De plus, le rôle des normes sociales — les attentes perçues des enseignants, des pairs et des institutions — en tant que condition limite dans ce processus a reçu une attention limitée. Il existe une lacune dans la compréhension de la manière dont les attitudes individuelles, les facteurs motivationnels (intention) et les croyances en les capacités (auto-efficacité) interagissent au sein d'un contexte social pour stimuler l'engagement dans des environnements d'IA générative dynamiques.

Méthodologie

L'étude a employé un plan quantitatif transversal pour tester un modèle théorique intégré combinant la Théorie du Comportement Planifié (TCP) et la Théorie Sociale Cognitive (TSC).

Participants : Les données ont été collectées auprès de 2 568 étudiants (comprenant des étudiants de premier cycle et de cycles supérieurs) de dix universités en Chine, représentant divers niveaux d'enseignement (universités et collèges techniques) et diverses disciplines (sciences humaines, sciences, ingénierie, etc.).
Instrument : Un questionnaire structuré en ligne, administré via la plateforme Wenjuanxing, comprenait cinq construits latents mesurés sur des échelles de Likert à cinq points :
1. Attitudes envers l'IA : Évaluations cognitives et affectives de l'IA (6 items).
2. Auto-efficacité de l'IA : Confiance dans la capacité à utiliser les outils d'IA de manière efficace (4 items).
3. Intention d'utilisation : Volonté de continuer à utiliser l'IA pour l'apprentissage (4 items).
4. Engagement de l'étudiant : Engagement multidimensionnel (comportemental, émotionnel, cognitif, agentique) dans les contextes d'IA générative (19 items).
5. Normes sociales de soutien : Encouragements perçus et soutien des ressources de l'environnement social (4 items).
Analyse : Les chercheurs ont utilisé la Modélisation par Équations Structurelles par les Moindres Carrés Partiels (PLS-SEM) via SmartPLS 4. L'analyse a impliqué :
- L'évaluation de la fiabilité et de la validité du modèle de mesure (alpha de Cronbach, fiabilité composite, AVE, HTMT).
- Le test des effets directs, médiateurs et modérateurs à l'aide du bootstrapping (5 000 rééchantillonnages).
- L'évaluation de la taille des effets ( $f^2$ ) et de la pertinence prédictive ( $R^2$ , SRMR).

Contributions principales

L'étude apporte trois contributions théoriques primaires :

Intégration théorique : Elle étend l'intégration de la TCP et de la TSC spécifiquement aux contextes d'apprentissage par l'IA générative, proposant un parcours séquentiel où les attitudes façonnent l'auto-efficacité, laquelle influence ensuite l'intention, stimulant finalement l'engagement. Notamment, elle positionne l'auto-efficacité comme étant temporellement antérieure à l'intention dans ce contexte spécifique, arguant que les apprenants doivent percevoir leur capacité avant de former des intentions soutenues.
Expansion des résultats : Elle déplace l'attention de la simple adoption technologique vers l'engagement de l'étudiant comme résultat principal, capturant la profondeur d'interaction requise dans les environnements d'IA générative.
Conditions limites contextuelles : Elle conceptualise les normes sociales de soutien non pas simplement comme des prédicteurs directs, mais comme des modérateurs critiques qui renforcent la traduction des attitudes en croyances, intentions et comportements.

Résultats

Le modèle structurel a démontré un ajustement satisfaisant ($SRMR = 0,033$, $NFI = 0,885$, $R^2 = 0,688$ pour l'engagement).

Effets directs : Les attitudes envers l'IA prédisent de manière significative et positive l'engagement de l'étudiant ( $\beta = 0,330$ ).
Effets de médiation :
- L'auto-efficacité médie partiellement la relation entre les attitudes et l'engagement ( $\beta = 0,129$ ).
- L'intention d'utilisation médie partiellement la relation entre les attitudes et l'engagement ( $\beta = 0,151$ ).
- Médiation séquentielle : Une médiation en chaîne significative existe : Attitudes envers l'IA $\rightarrow$ Auto-efficacité $\rightarrow$ Intention d'utilisation $\rightarrow$ Engagement de l'étudiant ( $\beta = 0,068$ ).
Effets de modération : Les normes sociales de soutien modèrent significativement les relations entre les attitudes envers l'IA et :
- L'auto-efficacité ( $\beta = 0,081$ )
- L'intention d'utilisation ( $\beta = 0,111$ )
- L'engagement de l'étudiant ( $\beta = 0,162$ )
- Interprétation : Les effets positifs des attitudes envers l'IA sur ces résultats sont nettement plus forts lorsque les normes sociales de soutien sont élevées par rapport à lorsqu'elles sont faibles.
Tailles d'effet : Les attitudes envers l'IA ont montré un effet important sur l'auto-efficacité ( $f^2 = 0,657$ ) et des effets moyens sur l'intention et l'engagement. Les effets d'interaction (modération) étaient de faible magnitude mais statistiquement significatifs, indiquant qu'ils influencent de manière significative la force des relations principales.

Signification et affirmations

Les auteurs affirment que cette étude fournit une explication complète de la manière dont les apprenants passent de la perception à l'action dans les environnements d'apprentissage soutenus par l'IA.

Clarification du mécanisme : Les résultats confirment que les attitudes positives envers l'IA sont fondamentales, mais que leur traduction en engagement est médiée par la confiance de l'apprenant (auto-efficacité) et sa motivation (intention). Crucialement, l'étude pose que l'auto-efficacité agit comme un prérequis à l'intention dans ce contexte, où la confiance en sa capacité précède la formation d'intentions d'utilisation soutenues.
Importance contextuelle : L'étude souligne que les facteurs psychologiques individuels ne fonctionnent pas dans le vide. Les normes sociales de soutien agissent comme des conditions limites critiques qui amplifient l'impact des attitudes positives. Dans les contextes collectivistes, l'alignement du comportement avec les attentes sociales perçues renforce considérablement la probabilité d'engagement.
Implication pratique : Les auteurs suggèrent qu'une intégration efficace de l'IA nécessite une approche coordonnée : favoriser des attitudes positives, renforcer la confiance des apprenants par des expériences étayées et cultiver activement des environnements institutionnels et de pairs favorables.

L'article conclut que bien que le plan transversal limite l'inférence causale, le modèle intégré offre un cadre robuste pour comprendre l'interaction dynamique des facteurs cognitifs, motivationnels et contextuels à l'ère de l'IA générative.