📄 social_science

When Confidence Shifts Toward the Tool: AI Appropriation, Reliance Calibration, and School Guidance in High School Academic Work

Une enquête menée auprès de 1 444 lycéens américains révèle que l'appropriation de l'IA implique des comportements d'apprentissage et de raccourcis complexes et concomitants, tandis qu'une utilisation fréquente est corrélée à une réduction de la confiance en soi et à un élargissement de l'écart de dépendance, suggérant que les établissements scolaires doivent dépasser les directives générales pour fournir une pratique ciblée guidée par l'enseignant afin de calibrer efficacement la dépendance à l'IA.

Auteurs originaux : Larry Zhiming Xu, Gabriel Velez, Aubrie Robinson

Publié 2026-07-07

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Larry Zhiming Xu, Gabriel Velez, Aubrie Robinson

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

La vue d'ensemble : la question n'est pas de savoir s'ils l'utilisent, mais comment

Imaginez une école où presque chaque élève possède un tuteur invisible et super intelligent dans sa poche (l'IA). D'ici fin 2025, environ deux tiers des adolescents américains utilisaient ces outils pour leurs devoirs.

Les chercheurs se sont posé la question suivante : Est-ce que cela importe qu'un élève utilise l'IA ?
Leur réponse : Pas vraiment. Savoir qu'un élève utilise l'IA, c'est comme savoir qu'un conducteur possède une voiture. Cela ne vous dit pas s'il conduit en toute sécurité, s'il roule trop vite ou s'il utilise le GPS pour prendre un raccourci qu'il ne devrait pas prendre.

Au lieu de compter la fréquence à laquelle les élèves utilisent l'IA, cette étude a examiné comment ils l'utilisent (ce qu'ils lui demandent de faire) et ce qu'ils en ressentent (font-ils plus confiance à l'IA qu'à leur propre cerveau ?).

Concept clé 1 : L'« appropriation » (Comment ils utilisent l'outil)

Les chercheurs ont découvert que les élèves ne rentrent pas dans des cases nettes comme « Bon élève » contre « Tricheur ».

L'analogie : Considérez l'IA comme un couteau suisse.
Le constat : La plupart des élèves utilisent le couteau pour de nombreuses choses différentes. Le même élève qui demande à l'IA d'« expliquer ce concept mathématique » (comme utiliser le couteau pour ouvrir une lettre) est souvent le même élève qui demande à l'IA de « rédiger tout cet essai pour moi » (comme utiliser le couteau pour couper une corde qu'il aurait dû nouer lui-même).
La leçon : On ne peut pas juger un élève uniquement sur la quantité d'IA qu'il utilise. Un élève qui l'utilise beaucoup peut l'utiliser pour apprendre, pour tricher, ou pour faire les deux en même temps. Les usages « bons » et « mauvais » sont souvent mélangés dans le flux de travail de la même personne.

Concept clé 2 : Le « fossé de la dépendance » (Le changement de confiance)

C'est la découverte la plus importante de l'article. Les chercheurs ont mesuré deux choses :

Le niveau de confiance qu'un élève ressent en faisant son travail sans l'IA.
Le niveau de confiance qu'il ressent dans la capacité de l'IA à l'aider à faire le travail.

Ils ont calculé la différence entre ces deux sentiments, en l'appelant le « fossé de la dépendance ».

L'analogie : Imaginez un funambule.
- Faible fossé : Le funambule fait plus confiance à ses propres jambes qu'au filet de sécurité. Il sait qu'il peut marcher sur la corde, mais le filet est là au cas où.
- Fossé élevé : Le funambule fait plus confiance au filet de sécurité qu'à ses propres jambes. Il se sent instable seul, mais se sent en sécurité uniquement lorsqu'il y a le filet.
Le constat :
- Les élèves qui n'utilisent pas l'IA ont très confiance en leurs propres capacités et ne font pas vraiment confiance à l'IA.
- À mesure que les élèves utilisent l'IA plus fréquemment, leur confiance en leur propre capacité diminue légèrement, tandis que leur confiance en l'IA grimpe en flèche.
- Le « croisement » : Parmi les élèves qui utilisent l'IA chaque jour, quelque chose d'intéressant s'est produit : leur confiance dans l'aide de l'IA est devenue légèrement supérieure à leur confiance en leur propre capacité. Ils n'ont pas perdu leurs compétences, mais ils font désormais plus confiance à l'outil qu'à eux-mêmes.

Concept clé 3 : Le « milieu manquant » (Ce que les écoles font mal)

Les chercheurs ont demandé : « Les écoles aident-elles les élèves à comprendre comment utiliser l'IA correctement ? »

L'analogie : Imaginez une salle de sport. L'école a installé un panneau indiquant : « Vous êtes autorisés à utiliser les poids » (Ceci est une Politique). Mais l'école n'a pas engagé de coach pour vous montrer comment soulever les poids sans vous blesser le dos.
Le constat :
- Les écoles fournissent principalement des Règles (ex: « Vous pouvez utiliser l'IA si vous la citez ») et des Ressources (des liens vers des sites web).
- Les élèves réclament de la Pratique (ex: « Montrez-moi comment utiliser cet outil pour apprendre, et pas seulement pour obtenir une réponse »).
- L'étude a révélé que le fait d'avoir une politique scolaire n'a pas aidé à réduire le « fossé de la dépendance ». Les élèves qui estimaient bénéficier d'un bon accompagnement n'avaient pas nécessairement plus confiance en eux-mêmes face à l'IA.
- Le fossé : Le besoin non satisfait le plus important était que les enseignants guident les élèves à travers une pratique réelle — leur montrer quand utiliser l'outil et quand le poser.

Les quatre types d'élèves (Profils)

Les chercheurs ont regroupé les élèves en quatre « personnalités » basées sur leurs habitudes :

L'Indépendant Sceptique (18 %) : Utilise rarement l'IA. Il se fait confiance à 100 % et fait confiance à l'IA à 0 %.
L'Utilisateur Routinier Non Accompagné (36 %) : Utilise souvent l'IA, mais sent que l'école ne l'aide pas. Il veut plus de conseils mais n'en reçoit pas.
L'Utilisateur Guidé à Haute Efficacité (31 %) : Utilise souvent l'IA, mais bénéficie d'un bon soutien de la part de ses professeurs. Il a toujours le plus confiance en lui-même.
L'Utilisateur Intensif de Raccourcis (15 %) : Les « gros utilisateurs ». Ils utilisent l'IA constamment, principalement pour obtenir des réponses ou rédiger des brouillons. Ils font plus confiance à l'IA qu'à eux-mêmes. Ce groupe présente le plus grand « fossé de la dépendance ».

L'essentiel

L'article soutient que les écoles doivent cesser de simplement demander : « Utilisez-vous l'IA ? » et commencer à demander : « En qui avez-vous le plus confiance : votre propre cerveau ou l'outil ? »

L'objectif n'est pas d'interdire l'IA ni de simplement dire « c'est autorisé ». L'objectif est le Calibrage. Les écoles doivent apprendre aux élèves comment utiliser l'outil comme un assistant utile sans laisser l'outil devenir le maître de leur pensée. Actuellement, les écoles sont douées pour établir des règles, mais elles sont peu performantes pour enseigner la pratique d'un usage avisé de l'outil.

En bref : Les élèves utilisent l'IA pour faire leurs devoirs, et plus ils l'utilisent, plus ils commencent à faire plus confiance au robot qu'à leur propre cerveau. Les écoles doivent intervenir pour leur apprendre à garder leur propre confiance intacte tout en utilisant l'outil.

Résumé Technique : Quand la confiance bascule vers l'outil

Énoncé du problème
Alors que l'intelligence artificielle (IA) imprègne l'enseignement secondaire, les mesures traditionnelles d'« adoption » (c'est-à-dire si les élèves utilisent l'IA et à quelle fréquence) sont devenues insuffisantes pour comprendre le rôle évolutif de cette technologie. Les établissements surveillent actuellement la fréquence d'utilisation et l'existence de politiques formelles, mais ces indicateurs ne parviennent pas à saisir comment les élèves intègrent l'IA dans leurs processus cognitifs. Plus précisément, les cadres existants ne peuvent pas distinguer les usages qui soutiennent l'apprentissage (ex. : expliquer des concepts) de ceux qui le contournent (ex. : générer des versions complètes), ni évaluer si la confiance d'un élève en sa propre capacité académique s'érode à mesure que la dépendance à l'outil augmente. Le problème central est l'absence d'un cadre diagnostique pour mesurer la relation dynamique entre les capacités technologiques et la perception par les élèves de leur propre compétence dans un environnement où l'IA est facilement accessible.

Méthodologie
L'étude a utilisé un plan d'enquête transversale avec un échantillon de 1 444 élèves issus d'un réseau de lycées catholiques et de préparation aux études supérieures aux États-Unis. Les données ont été collectées au printemps 2025.

Mesures : L'instrument a évalué la fréquence d'utilisation de l'IA, l'étendue des outils et des objectifs d'« appropriation » spécifiques (classés comme orientés vers l'apprentissage ou vers le raccourci). De manière cruciale, il a mesuré deux niveaux de confiance distincts : la confiance dans la capacité à gérer le travail scolaire sans l'IA et la confiance dans la capacité de l'IA à aider pour le travail scolaire.
Construit clé : L'étude a opérationnalisé le « calibrage de la dépendance » via l'écart de dépendance (reliance gap), défini comme la différence entre la confiance dans l'aide de l'IA et la confiance dans la capacité indépendante. Un écart positif indique que la confiance a basculé vers l'outil.
Analyse : Les chercheurs ont utilisé des régressions hiérarchiques par moindres carrés ordinaires (MCO) avec des erreurs types regroupées par établissement pour prédire l'écart de dépendance. Les variables comprenaient la démographie, la fréquence d'utilisation, l'étendue des objectifs, les croyances liées à l'IA (auto-efficacité et optimisme) et la perception de l'encadrement scolaire. De plus, une classification par k-moyennes (k-means clustering) a été utilisée pour générer des profils d'élèves descriptifs basés sur les modèles d'appropriation.

Principales contributions
Le document apporte trois contributions majeures :

Conceptuelle : Il déplace le prisme analytique de l'« adoption » vers l'appropriation (comment les utilisateurs assignent des finalités à la technologie) et introduit le calibrage de la dépendance dans le contexte éducatif. Ce cadre postule qu'une dépendance appropriée dépend non seulement de la fiabilité de l'outil, mais aussi du besoin développemental de l'élève à construire une compétence indépendante.
Empirique : Il capture un échantillon de grande taille et multi-établissements à un moment critique — après que l'accès à l'IA soit devenu routinier, mais avant que l'encadrement institutionnel ne soit mature. Il fournit la preuve que les usages orientés vers l'apprentissage et les usages de type « raccourci » coexistent souvent chez les mêmes élèves, remettant en question la vision binaire des utilisateurs d'IA « bons » contre « mauvais ».
Pratique : Il identifie un « milieu manquant » dans l'encadrement scolaire, où les règles de niveau politique existent, mais où la pratique pédagogique (l'instruction guidée par l'enseignant) fait défaut. Il soutient que l'écart de dépendance est une métrique plus diagnostique que la seule confiance indépendante pour comprendre la dynamique élève-IA.

Résultats

Modèles d'appropriation : 94 % des répondants utilisaient au moins un outil d'IA. Les usages orientés vers l'apprentissage (ex. : tutorat, structuration de plans) étaient courants (65 % pour le tutorat), mais les usages de type « raccourci » (ex. : trouver des réponses, rédaction) étaient également substantiels (respectivement 32 % et 18 %). Crucialement, ces finalités coosaient fréquemment ; les élèves qui utilisaient l'IA pour des explications étaient souvent les mêmes qui l'utilisaient pour obtenir des réponses, suggérant un modèle d'utilisation complexe et entrelacé plutôt que des groupes d'utilisateurs distincts.
L'écart de dépendance : La fréquence d'utilisation était négativement associée à la confiance indépendante ( $r = -0,18$ ) mais fortement positivement associée à l'écart de dépendance ( $r = 0,45$ ). Parmi les utilisateurs quotidiens, la confiance dans l'aide de l'IA ( $M=4,17$ ) dépassait légèrement la confiance dans la capacité indépendante ( $M=4,02$ ), indiquant un « croisement » où l'outil devient l'ancre principale de la confiance.
Prédicteurs de l'écart : La régression hiérarchique a révélé que la fréquence d'utilisation, l'étendue des finalités d'apprentissage et de raccourci, ainsi que l'optimisme envers l'IA, étaient des prédicteurs significatifs d'un écart de dépendance plus important. Notamment, la perception de l'encadrement scolaire n'a pas prédit l'écart de manière significative une fois l'usage et les croyances pris en compte.
Décalage d'encadrement : Bien que les directives générales aient été la forme de soutien scolaire la plus couramment rapportée (48 %), la demande non satisfaite la plus importante concernait la pratique guidée par l'enseignant (42 % en voulaient vs 27 % en recevaient) et les cours dédiés à l'IA.
Profils d'élèves : Quatre profils distincts ont émergé :
1. Apprenants indépendants sceptiques vis-à-vis de l'IA (18 %) : Utilisateurs rares, haute confiance indépendante, écart négatif.
2. Utilisateurs routiniers non encadrés (36 %) : Utilisateurs fréquents, faible encadrement, fort décalage.
3. Utilisateurs à haute auto-efficacité et guidés (31 %) : Utilisateurs fréquents, haut encadrement, maintien d'une haute confiance indépendante.
4. Utilisateurs intensifs dépendants des raccourcis (15 %) : Utilisation la plus élevée, usage universel du raccourci, plus faible confiance indépendante, et le seul groupe présentant un écart de dépendance positif.

Signification et affirmations
L'article soutient qu'à mesure que l'IA devient une partie intégrante de l'infrastructure ordinaire du travail scolaire, l'accent doit passer du suivi de si les élèves utilisent l'IA à la compréhension de comment ils calibrent leur dépendance. L'étude affirme que l'écart de dépendance capture une dynamique critique : le point auquel le sentiment de capacité académique d'un élève bascule de soi-même vers l'outil.

Les auteurs affirment que la cooccurrence d'usages de soutien et de substitution complique les dichotomies simples de « triche vs apprentissage », suggérant que la frontière entre l'augmentation et le délestage est procédurale plutôt que catégorielle. De plus, la conclusion selon laquelle la perception de l'encadrement scolaire (spécifiquement les règles de niveau politique) ne corrèle pas avec un meilleur calibrage implique que les modèles d'encadrement actuels sont mal alignés avec les besoins des élèves. L'article conclut que les écoles doivent aller au-delà des politiques d'utilisation acceptable pour fournir une « pratique guidée » qui aide les élèves à distinguer entre l'assistance de l'IA qui soutient l'apprentissage et l'assistance qui déplace le travail cognitif nécessaire au développement des compétences. L'écart de dépendance est proposé comme une métrique pratique et évolutive pour que les écoles puissent surveiller ce changement de confiance et de compétence.