Human-in-the-loop GenAI advising for community college pathway decision-making: a design-based case study of requirement-group modeling and privacy-preserving student-support design

Résumé technique : Conseil par l'IA générative avec intervention humaine pour la prise de décision sur les parcours en collège communautaire

Énoncé du problème
La recherche sur l'intelligence artificielle générative (IA générative) dans l'enseignement supérieur s'est principalement concentrée sur le tutorat, le soutien à l'écriture, la génération de commentaires et l'évaluation. Un écart important subsiste concernant l'application de l'IA générative au conseil académique et à la planification de parcours, particulièrement dans les contextes de collèges communautaires. Dans ces environnements, les apprenants naviguent à travers des structures curriculaires complexes et flexibles impliquant des exigences fixes, des choix d'options, des choix de concentrations et des articulations de transfert. Les outils de conseil actuels réduisent souvent ces structures à des « listes de contrôle plates », ce qui risque de dénaturer la logique des programmes, de restreindre la perception des options des étudiants et de ne pas soutenir l'agentivité de l'apprenant. De plus, l'intégration de l'IA générative dans les opérations de réussite étudiante soulève des préoccupations critiques concernant la confidentialité, la gouvernance des données et le niveau approprié d'automatisation dans la prise de décisions à enjeux élevés. Il existe un manque de principes de conception établis sur la manière dont l'IA générative peut interpréter les exigences flexibles, soutenir la planification de type « et si » (what-if) et maintenir des limites de confidentialité sans automatiser excessivement des décisions conséquentes.

Méthodologie
Cette étude emploie une approche d'étude de cas basée sur la conception pour étudier le développement d'un prototype de planification de parcours et d'un modèle d'interaction de conseil associé à l'Ivy Tech Community College de l'Indiana. La recherche ne mesure pas les résultats des étudiants, les taux de rétention ou les réductions de charge de travail ; elle analyse plutôt le processus de conception lui-même pour en dériver des principes transférables.

• Sources de données : L'analyse est basée sur un corpus de documents non destinés aux étudiants collectés sur une période de conception de huit mois, classés en trois catégories de sources :
  1. Documents curriculaires publics : Exigences de programmes publiés, descriptions de cours et matériel de catalogue utilisés pour identifier la flexibilité structurelle et l'ambiguïté.
  2. Artefacts du prototype : Schémas d'exigences, documents de logique de parcours, maquettes d'interface, diagrammes d'architecture et modèles de prompts utilisés pour opérationnaliser la flexibilité curriculaire et les rôles de l'IA générative.
  3. Notes de conception des praticiens : Documentation réflexive, rationales d'architecture et notes de redéfinition de flux de travail retraçant la justification de décisions spécifiques de conception et de gouvernance.
• Processus d'analyse : L'auteur a utilisé une logique de codage déductive-inductive. Des construits déductifs (représentation curriculaire, agentivité de l'apprenant, supervision humaine, confidentialité/gouvernance) ont été appliqués parallèlement à un codage inductif pour capturer des modèles spécifiques au cas (ex. : gestion des caractères génériques, classes d'ambiguïté). Les principes n'ont été retenus que lorsqu'ils étaient soutenus par plusieurs classes de sources ou lorsqu'un artefact unique documentait une décision ayant des conséquences claires en matière de gouvernance.
• Contraintes : L'étude exclut explicitement les dossiers individuels des étudiants et les informations personnellement identifiables (PII). Les outils d'IA générative ont été utilisés uniquement pour la préparation du manuscrit (organisation de la littérature, plan, rédaction), toutes les affirmations et citations ayant été vérifiées par l'auteur.

Contributions clés et principes de conception
L'étude propose un cadre de conseil par IA générative avec intervention humaine organisé autour de sept couches interactives : données du catalogue public, modélisation des groupes d'exigences, couche d'interaction de l'IA générative, jugement du conseiller humain, agentivité de l'apprenant, gouvernance préservant la confidentialité et alignement avec la main-d'œuvre. De ce cadre, l'étude dérive huit principes de conception spécifiques :

1. Modéliser les exigences comme des groupes flexibles : Les exigences académiques doivent être modélisées comme des « groupes d'exigences » (ex. : ensembles d'options, compartiments d'options, alternatives conditionnelles) plutôt que comme de simples listes de contrôle de cours obligatoires. Cela préserve la réalité éducative selon laquelle plusieurs parcours valides existent au sein d'un même titre.
2. L'IA générative comme explication, non comme registre : L'IA générative doit fonctionner comme une « couche d'explication et de cadrage des options » qui traduit la logique structurée en langage clair et compare les scénarios. Elle ne doit pas servir de « système de référence » institutionnel ou de décideur autonome.
3. Séparation architecturale des données : Les données curriculaires publiques (catalogues, exigences) doivent être strictement séparées des dossiers protégés des étudiants. Un prototype de conseil fonctionnel peut opérer en utilisant uniquement des données publiques, minimisant ainsi les risques de confidentialité et établissant des frontières de gouvernance claires avant toute extension aux données spécifiques des étudiants.
4. Révision humaine pour les recommandations conséquentes : Les conseillers humains doivent conserver la responsabilité du conseil final, particulièrement pour les recommandations affectant le temps d'obtention du diplôme, le coût, l'éligibilité ou la direction du programme. Le système est conçu pour la « révisabilité » plutôt que pour l'automatisation de clôture.
5. Soutien à l'agentivité de l'apprenant : Les interactions doivent faciliter la planification autorégulée en aidant les étudiants à comprendre les compromis, les contraintes de séquençage et les parcours de récupération, plutôt que de simplement émettre des instructions.
6. Langage non déficitaire : Le langage de conseil doit éviter le cadrage centré sur le déficit ou la surveillance (ex. : « scores de risque ») au profit de concepts constructifs tels que la « préservation de l'élan » et la « récupération de parcours ».
7. Incertitude visible : Le système doit exposer explicitement l'ambiguïté de l'interprétation curriculaire (ex. : déclarations de catalogue sous-spécifiées) plutôt que de la supprimer par une fausse certitude. Les interfaces doivent distinguer les correspondances claires, les correspondances probables nécessitant une révision et les cas ambigus.
8. Alignement avec la main-d'œuvre sans réductionnisme : La pertinence par rapport à la main-d'œuvre doit informer les explications de parcours mais ne doit pas réduire le conseil à un mécanisme étroit de tri pour le marché du travail qui l'emporterait sur les objectifs et l'exploration de l'étudiant.

Résultats et signification
L'étude conclut qu'une intégration efficace de l'IA générative dans le conseil nécessite de passer d'un traitement de l'interprétation des exigences comme un problème de traitement de données à un traitement comme un problème de conception pédagogique. Le résultat principal est un cadre conceptuel et opérationnel qui permet aux institutions de déployer l'IA générative pour l'intelligibilité des parcours tout en préservant l'agentivité de l'apprenant et la confidentialité.

L'article revendique quatre contributions spécifiques :

1. Extension de la recherche : Il déplace la recherche sur l'interaction humain-IA générative des tâches centrées sur la classe (écriture, commentaires) vers le domaine du conseil et de la planification de parcours.
2. Innovation conceptuelle : Il introduit la « modélisation de groupe d'exigences » comme une représentation plus fidèle de l'éducation des parcours de collège communautaire qu'une logique plate.
3. Proposition architecturale : Il démontre un modèle de gouvernance respectant la vie privée, fondé sur la séparation explicite des informations curriculaires publiques des données protégées des étudiants.
4. Vocabulaire de conception pratique : Il offre un ensemble de principes pour les institutions cherchant à utiliser l'IA générative dans des contextes de haute gouvernance sans remplacer le jugement humain ou faire des affirmations non fondées sur l'efficacité.

Modestie des revendications
Les auteurs déclarent explicitement que cette étude ne démontre pas l'amélioration de la rétention, de l'achèvement ou de l'efficacité du conseil. La contribution est fondamentale plutôt qu'empirique concernant les résultats des étudiants. Les principes de conception sont dérivés de l'analyse des artefacts et de la modélisation des flux de travail, et non d'un essai de co-conception formel ou d'une mise en œuvre avec des données d'utilisation par les apprenants. L'article soutient que ce cadre de type « humain dans la boucle » et respectueux de la vie privée est une précondition nécessaire pour que toute étude d'efficacité future soit digne de confiance, plutôt qu'une solution prouvée en soi.