📄 social_science

Gurukul 2.0: A Capability-Based Model Integrating Indigenous Mentoring, AI, and Character Formation for Graduate Competence

Cette étude valide le modèle « Gurukul 2.0 », démontrant que l'intégration du mentorat indigène Guru–Shishya, de l'apprentissage personnalisé augmenté par l'IA et de la formation du caractère améliore significativement la compétence professionnelle des diplômés grâce au développement de la capacité d'apprentissage, modéré par la préparation à l'apprentissage de l'étudiant.

Auteurs originaux : Neerupa Chauhan, K.Vinodha Devi, Aakash Kumar, Sreela Krishnan, Nithin Venugopal, Thanuja K A K A

Publié 2026-08-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Neerupa Chauhan, K.Vinodha Devi, Aakash Kumar, Sreela Krishnan, Nithin Venugopal, Thanuja K A K A

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 déambulez dans un immense campus universitaire en pleine effervescence. C'est un lieu où des millions d'étudiants obtiennent leur diplôme chaque année, pourtant, un problème étrange couve : de nombreux diplômés ont l'impression de posséder le bon « ticket » pour entrer sur le marché du travail, mais ils n'ont pas réellement les compétences pour faire le travail. Ils connaissent les faits, mais ne savent pas s'adapter, collaborer ou résoudre de nouveaux problèmes. C'est le paradoxe de la « l'échelle sans la substance » que les universités des économies en croissance tentent de résoudre.

Pour y remédier, des chercheurs examinent deux mondes très différents. D'un côté, il y y a l'Intelligence Artificielle (IA). Voyez l'IA comme un tuteur super intelligent et infatigable capable de personnaliser instantanément les leçons pour chaque étudiant, en lui donnant exactement le feedback dont il a besoin, au moment où il en a besoin. De l'autre côté, il y a une ancienne tradition indienne appelée Guru-Shishya. Il ne s'agit pas seulement d'un enseignant qui donne un cours ; c'est un lien profond et durable où un mentor (le Guru) guide un étudiant (le Shishya) non seulement dans les livres, mais aussi dans le caractère, l'éthique et la vie. La grande question est la suivante : pouvons-nous mélanger la vitesse de la haute technologie de l'IA avec la profondeur de la chaleur humaine de ce mentorat ancien pour créer le diplômé parfait ? La réponse réside dans un concept appelé l'Approche par les Capacités, qui suggère que l'éducation ne devrait pas seulement consister à distribuer des certificats (des extrants), mais à construire la capacité réelle de faire des choses et d'être quelqu'un (des capacités).

L'Expérience Gurukul 2.0 : Mélanger Magie et Machines

Dans cette étude, une équipe de chercheurs de l'Inde a décidé de tester une nouvelle idée qu'ils appellent Gurukul 2.0. Imaginez une école où le mentorat traditionnel d'un guide sage est associé à la puissance futuriste de l'IA. Ils voulaient voir si cette combinaison pouvait transformer les étudiants en « professionnels en forme de T ».

Qu'est-ce qu'un professionnel en forme de T ? Imaginez la lettre « T ». La ligne verticale représente les connaissances approfondies et expertes dans un sujet spécifique (comme l'ingénierie ou l'art). La ligne horizontale représente la capacité à travailler avec les autres, à communiquer, à s'adapter et à résoudre des problèmes dans différents domaines. Les chercheurs voulaient savoir : est-ce que combiner le mentorat humain, les outils d'IA et le développement du caractère aide réellement les étudiants à construire ce « T » ?

La Recette du Succès
Les chercheurs ont interrogé 378 étudiants de divers collèges en Inde, les questionnant sur leurs expériences avec des mentors, leur utilisation des outils d'IA (comme les chatbots pour l'apprentissage) et leur propre développement du caractère. Ils ont construit un modèle pour voir comment ces pièces s'assemblent.

Voici ce qu'ils ont découvert, étape par étape :

La Touche Humaine est le Moteur Principal : L'étude a découvert que la qualité du mentorat (la relation Guru-Shishya) était le moteur le plus puissant de la capacité d'apprentissage d'un étudiant. Lorsqu'un mentor comprenait véritablement les forces d'un étudiant, offrait des conseils éthiques et se souciait de sa croissance personnelle, la Capacité d'Apprentissage de l'étudiant montait en flèche. C'est comme avoir un entraîneur qui ne se contente pas de vous enseigner les tactiques, mais qui croit assez en vous pour vous inciter à prendre des risques.
L'IA est le Partenaire Idéal : Les outils d'IA ont également beaucoup aidé. Lorsque les étudiants utilisaient l'IA pour obtenir un feedback personnalisé et apprendre à leur propre rythme, leur capacité d'apprentissage s'améliorait considérablement. Cependant, l'étude précise bien : l'IA ne remplace pas le mentor. Au contraire, elle travaille aux côtés du mentor humain. Considérez le mentor comme le capitaine du navire et l'IA comme le système de navigation de haute technologie ; vous avez besoin des deux pour atteindre la destination.
Le Caractère est le Carburant : Les chercheurs ont également examiné la « Formation du Caractère » (ou Samskara), qui implique la construction de valeurs telles que l'honnêteté, la discipline et l'empathie. Bien que cela ait eu l'effet direct le plus faible sur la capacité d'apprentissage par rapport au mentorat et à l'IA, cela restait une partie vitale du mélange. C'est le carburant qui maintient le moteur en marche quand les choses deviennent difficiles.
La Recette Secrète : La Capacité d'Apprentissage : Ces trois éléments (Mentorat, IA et Caractère) alimentaient un résultat central : le Développement de la Capacité d'Apprentissage. Il s'agit de la capacité réelle de l'étudiant à acquérir, intégrer et appliquer des connaissances. L'étude a révélé que cette « Capacité d'Apprentissage » était la seule chose qui menait directement à devenir un professionnel en forme de T. En d'autres termes, le mentorat et l'IA ne font pas de vous un pro directement ; ils font d'abord de vous un meilleur apprenant, et c'est cela qui fait de vous un pro.
Le Facteur de « Prêt à l'Emploi » : Enfin, l'étude a découvert que la propre Disponibilité à l'Apprentissage d'un étudiant importait. Si un étudiant était motivé, prêt à essayer et prêt à accepter les commentaires, la connexion entre sa capacité d'apprentissage et son succès professionnel était encore plus forte. C'est comme avoir une excellente voiture (Capacité d'Apprentissage) et un excellent conducteur (Disponibilité) ; si le conducteur n'est pas prêt à partir, la voiture n'ira pas loin.

Ce que cela signifie pour l'avenir
Les chercheurs sont très sûrs de ces résultats car ils ont utilisé une méthode statistique rigoureuse appelée Modélisation par Équations Structurelles pour tester leurs idées sur des données réelles. Ils ont trouvé que le modèle « Gurukul 2.0 » fonctionne : le mentorat indigène et l'apprentissage assisté par l'IA ne sont pas des ennemis ; ce sont des coéquipiers.

L'étude écarte explicitement l'idée que l'IA seule puisse combler le déficit de compétences, ou que le mentorat traditionnel seul soit suffisant pour les étudiants diversifiés d'aujourd'hui. Au lieu de cela, elle suggère que les universités doivent construire un écosystème où :

Les mentors sont formés pour guider les étudiants de manière holistique (pas seulement sur le plan académique).
L'IA est utilisée pour personnaliser l'apprentissage, et non pour remplacer les enseignants.
La formation du caractère est tissée dans le programme scolaire.

En combinant la sagesse du passé avec les outils du futur, le modèle Gurukul 2.0 offre une feuille de route pour créer des diplômés qui ne sont pas seulement instruits, mais véritablement capables, adaptables et prêts pour le monde réel.

Résumé Technique : Gurukul 2.0 : Un modèle basé sur les capacités intégrant le mentorat indigène, l'IA et la formation du caractère pour la compétence des diplômés

Problématique
Les établissements d'enseignement supérieur (EES) dans les économies émergentes sont confrontés à un « paradoxe de l'échelle sans substance » : alors que l'effectif des diplômés augmente, de nombreux diplômés restent insuffisamment préparés à la pratique professionnelle. Les employeurs exigent de plus en plus des « professionnels en forme de T » qui combinent une expertise disciplinaire profonde avec des compétences interdisciplinaires, communicationnelles et adaptatives larges. Si l'intelligence artificielle (IA) offre des opportunités de personnalisation de l'apprentissage, les chercheurs avertissent que la technologie seule ne peut garantir un apprentissage significatif sans un soutien pédagogique humain. À l'inverse, les modèles de mentorat indigènes traditionnels, tels que la tradition indienne Guru–Shishya, offrent un développement holistique mais manquent souvent d'intégration avec la personnalisation technologique moderne. Il existe un vide théorique concernant la manière dont le mentorat humain, la personnalisation assistée par l'IA et la formation du caractère interagissent pour développer la compétence des diplômés.

Méthodologie
L'étude utilise un plan de recherche transversal, déductif et positiviste par enquête pour développer et valider le Modèle Gurukul 2.0.

Échantillon : Les données ont été collectées auprès de 378 étudiants de premier et second cycles dans des programmes d'ingénierie, de gestion, de sciences, de commerce et d'arts dans des EES indiens. Tous les participants répondaient aux critères de sélection : inscription actuelle, interaction préalable avec un mentor de la faculté et expérience avec des outils d'apprentissage basés sur l'IA.
Instrumentation : Un questionnaire structuré comprenant 43 items répartis sur six construits a été utilisé. Deux nouvelles échelles ont été développées et validées par un processus rigoureux (génération d'items, validation par des experts, test pilote, EFA et CFA) : Qualité du Mentorat Guru–Shishya (GSMQ) et Formation du Caractère (Apprentissage orienté Samskara). Des échelles existantes ont été adaptées pour l'Apprentissage Personnalisé Augmenté par l'IA (AAPL), le Développement des Capacités d'Apprentissage (LCD), la Disponibilité à l'Apprentissage de l'Étudiant (SLR) et la Compétence Professionnelle en forme de T (TPC).
Analyse : L'étude a utilisé une approche de modélisation par équations structurelles basées sur la covariance (CB-SEM) en deux étapes via AMOS.
1. Modèle de mesure : Validé via l'analyse factorielle exploratoire (EFA) et l'analyse factorielle confirmatoire (CFA), évaluant la fiabilité (fiabilité composite), la validité convergente (AVE) et la validité discriminante (Fornell–Larcker et HTMT).
2. Modèle structurel : Test des relations directes, des effets de médiation totale (en utilisant le bootstrapping avec 2 000 rééchantillonnages) et des effets de modération (termes d'interaction).
Cadre Théorique : Le modèle intègre l'Approche des Capacités, la Théorie de l'Autodétermination, la Théorie de l'Apprentissage Expérientiel et la tradition Guru–Shishya.

Résultats Clés
Le modèle structurel a démontré des indices d'ajustement satisfaisants (CFI = .944, TLI = .940, RMSEA = .040) et a soutenu toutes les relations hypothétisées :

Effets Directs :
- La GSMQ exerce l'influence positive la plus forte sur le LCD ( $\beta$ = .439, $p < .001$ ).
- L'AAPL influence significativement le LCD ( $\beta$ = .302, $p < .001$ ).
- La Formation du Caractère influence positivement le LCD ( $\beta$ = .142, $p < .001$ ).
- Le LCD prédit fortement la Compétence Professionnelle en forme de T ( $\beta$ = .611, $p < .001$ ).
Médiation : Le Développement des Capacités d'Apprentissage a pleinement médiatisé les relations entre les trois antécédents (GSMQ, AAPL, Formation du Caractère) et la Compétence Professionnelle en forme de T. Les effets directs des antécédents sur la TPC sont devenus non significatifs lorsque le LCD était inclus, indiquant que les ressources (mentorat, IA, valeurs) ne se traduisent en compétence qu'à travers l'internalisation de la capacité d'apprentissage.
Modération : La Disponibilité à l'Apprentissage de l'Étudiant a modéré de manière significative la relation entre le LCD et la TPC ( $\beta$ = .143, $p < .001$ ). La relation positive entre la capacité d'apprentissage et la compétence professionnelle est plus forte pour les étudiants ayant une plus grande disponibilité (motivation, préparation cognitive et persévérance).

Contributions Clés

Intégration Théorique : L'étude opérationnalise l'Approche des Capacités au sein de l'enseignement supérieur, démontrant que les ressources éducatives génèrent l'employabilité uniquement lorsqu'elles sont transformées en capacités d'apprentissage durables. Elle comble le fossé entre les traditions pédagogiques indigènes (Guru–Shishya) et la personnalisation moderne assistée par l'IA, montant qu'elles sont complémentaires et non concurrentes.
Développement d'Échelles : L'article introduit et valide les premiers instruments psychométriques contemporains pour la Qualité du Mentorat Guru–Shishya et la Formation du Caractère (Apprentissage orienté Samskara) dans un contexte d'enseignement supérieur.
Identification du Mécanisme : Il identifie le Développement des Capacités d'Apprentissage comme le mécanisme de médiation critique qui convertit le mentorat, le soutien de l'IA et la construction du caractère en une compétence professionnelle démontrable.

Signification et Revendications
Les auteurs affirment que le modèle Gurukul 2.0 offre un cadre validé pour répondre à l'écart persistant entre la réussite académique et la compétence professionnelle. L'étude postule que :

Intégration Holistique : Les universités ne doivent pas compter uniquement sur l'IA ou uniquement sur le mentorat traditionnel ; plutôt, l'IA doit compléter le mentorat humain pour fournir un soutien personnalisé, tandis que les mentors humains cultivent la confiance, l'éthique et l'autonomie.
Capacité plutôt que Titres : L'accent de l'enseignement supérieur doit passer de l'accumulation de titres à l'apprentissage de la Capacité d'Apprentissage, ce qui permet aux diplômés de s'adapter aux demandes professionnelles changeantes.
Alignement Politique : Les conclusions soutiennent la mise en œuvre de la Politique Nationale d'Éducation (NEP) 2020 de l'Inde, qui préconise une éducation holistique ancrée dans les Systèmes de Connaissance Indiens et l'apprentissage fondé sur les valeurs, intégrés à la technologie moderne.
Orientation Pratique : Le modèle fournit une base pour la conception de programmes intégrant la pratique réflexive, les projets interdisciplinaires et le feedback assisté par l'IA, tout en soulignant la nécessité d'évaluer et de renforcer la disponibilité à l'apprentissage des étudiants.

Limites
Les auteurs reconnaissent que le design transversal limite l'inférence causale, que la dépendance aux données auto-déclarées peut introduire un biais, et que le modèle nécessite une validation transculturelle au-delà du contexte indien. De plus, l'évolution rapide de l'IA générative suggère la nécessité d'études futures pour tester le modèle par rapport à de nouveaux systèmes d'IA.

L'Expérience Gurukul 2.0 : Mélanger Magie et Machines

Articles similaires