Scaffolded and Unscaffolded Generative AI Use in Mathematics Teacher Education: Effects on Pre-Service Teachers’ Instructional Design Competence
Cette étude à méthodes mixtes démontre que le fait de fournir un étayage pédagogique pour l'utilisation de l'IA générative améliore considérablement la compétence en conception pédagogique, la préparation à l'IA, l'apprentissage autorégulé et la pensée critique des futurs enseignants de mathématiques par rapport à une utilisation non étayée de l'IA.
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 une salle de classe où l'enseignant n'est pas seulement une personne, mais un puissant programme informatique capable de rédiger des plans de cours, de créer des problèmes mathématiques et d'expliquer des idées complexes en quelques secondes. C'est la promesse de l'intelligence artificielle générative, une technologie qui est entrée rapidement dans les écoles et les universités. Mais il y a un piège. Si un étudiant demande simplement la réponse à l'ordinateur et l'accepte sans poser de questions, il pourrait apprendre à compter sur la machine plutôt que de développer sa propre capacité à réfléchir, à planifier et à résoudre des problèmes. C'est la tension centrale à laquelle est confrontée la formation des enseignants aujourd'hui : comment utiliser ces outils intelligents pour aider les futurs enseignants à apprendre, sans laisser les outils penser à leur place. La clé pour résoudre ce casse-tête réside dans un concept appelé l'étayage (ou « scaffolding »). En éducation, l'étayage est comme les poutres de soutien temporaires utilisées pour construire une maison ; elles soutiennent la structure pendant que les bâtisseurs apprennent leur métier, et sont retirées une fois que le bâtiment est assez solide pour tenir debout de lui-même. La question que les chercheurs se sont posée était de savoir si le fait de donner aux futurs professeurs de mathématiques ce type de guidage structuré lors de l'utilisation de l'intelligence artificielle les rendrait de meilleurs enseignants que s'ils étaient laissés à eux-mêmes pour trouver leur voie.
Une équipe de chercheurs au Ghana s'est donné pour mission de répondre à cette question en travaillant avec soixante-seize futurs professeurs de mathématiques. Ces étudiants étaient inscrits dans un cours dédié à l'apprentissage de la conception de leçons de mathématiques, une compétence cruciale pour tout éducateur. Les chercheurs ont divisé la classe en deux groupes. Un groupe utilisait l'outil d'intelligence artificielle sans instructions particulières ; on leur demandait d'utiliser la technologie pour les aider à planifier leurs leçons, mais ils devaient découvrir par eux-mêmes comment poser les bonnes questions et vérifier les réponses. L'autre groupe utilisait la même technologie, mais on lui avait fourni un ensemble spécifique de supports. Ces supports comprenaient des exemples de la rédaction de bonnes questions pour l'ordinateur, des listes de contrôle pour vérifier le travail de l'ordinateur, et des questions guidées qui les forçaient à réfléchir pour savoir si le plan de leçon était cohérent pour leurs élèves. L'objectif était de voir si ce guidage supplémentaire changeait la qualité de la conception de leçon par les étudiants, leur sentiment de préparation à utiliser la technologie, leur capacité à gérer leur propre apprentissage et leur capacité à évaluer de manière critique l'information fournie par l'ordinateur.
Après quatorze semaines de travail sur des plans de leçons, les résultats étaient clairs. Les étudiants ayant reçu le guidage structuré ont obtenu des résultats nettement supérieurs à ceux qui travaillaient sans celui-ci. Lorsque les chercheurs ont examiné les plans de leçons finaux créés par les étudiants, le groupe bénéficiant des supports avait conçu des leçons plus efficaces et plus réfléchies. Ils étaient meilleurs pour organiser le matériel, choisir les activités appropriées et créer des moyens de tester si les élèves comprenaient les mathématiques. Le groupe sans les supports produisait des plans qui étaient souvent précipités ou nécessitaient de lourdes révisions car ils avaient accepté la production de l'ordinateur trop rapidement. Le groupe guidé présentait également des scores plus élevés sur les mesures de leur préparation à utiliser la technologie à l'avenir. Ils se sentaient plus confiants dans leur capacité à dialoguer avec l'ordinateur, à comprendre ses limites et à l'utiliser de manière responsable. Ils étaient moins susceptibles d'être trompés par les erreurs ou les informations biaisées générées par le logiciel.
L'étude a également révélé que les étudiants guidés apprenaient à mieux apprendre. Ils montraient une capacité beaucoup plus forte à réguler leur propre processus d'apprentissage. Au lieu de simplement taper une requête et d'attendre un résultat, ils marquaient une pause pour planifier leur approche, surveillaient la production de l'ordinateur au fur et à mesure qu'elle arrivait, et évaluaient si les suggestions correspondaient à leurs objectifs. Ils traitaient l'ordinateur comme un partenaire à questionner plutôt que comme une machine à obéir. Cette pensée critique était la différence la plus distincte entre les deux groupes. Les étudiants dotés de supports se demandaient constamment si les idées de leçons étaient exactes et appropriées pour de vrais enfants. Ils vérifiaient les mathématiques, comparaient les suggestions à leurs manuels et révisaient les plans lorsque l'ordinateur commettait une erreur. Les étudiants sans les supports acceptaient souvent la première réponse reçue, même lorsqu'elle était erronée, car ils manquaient d'outils pour la vérifier.
Lorsque les chercheurs ont interrogé un groupe plus restreint d'étudiants pour comprendre leurs expériences, le schéma est devenu encore plus frappant. Les étudiants qui avaient les supports ont décrit un processus de réflexion profonde. Ils ont expliqué que les listes de contrôle et les questions guidées les forçaient à ralentir et à considérer le « pourquoi » derrière chaque activité de leur leçon. Ils ont réalisé que la qualité de la leçon dépendait de leurs propres décisions, et non seulement de la production de l'ordinateur. En revanche, les étudiants sans les supports ont admis qu'ils se sentaient souvent perdus ou incertains lorsque l'ordinateur donnait une réponse étrange. Ils avaient tendance à recommencer une nouvelle discussion plutôt que de corriger leur question initiale, et ils privilégiaient fréquemment la vitesse à l'exactitude. Ils avaient le sentiment que l'ordinateur faisait le travail à leur place, ce qui les laissait moins préparés à enseigner de manière autonome.
Les conclusions suggèrent que le simple fait de remettre aux futurs enseignants un outil d'intelligence artificielle puissant ne suffit pas à en faire de meilleurs éducateurs. L'outil n'est aussi bon que le guidage qui l'entoure. Lorsque les chercheurs ont fourni un cadre encourageant la planification, la vérification et la réflexion, les étudiants ont utilisé la technologie pour affiner leurs compétences professionnelles. Ils ont appris à concevoir de meilleures leçons, à réfléchir de manière plus critique aux informations reçues et à prendre le contrôle de leur propre apprentissage. Sans ce cadre, la technologie risquait de devenir une béquille empêchant le développement de leur jugement indépendant, dont ils auraient besoin dans une véritable salle de classe. L'étude conclut que pour que l'intelligence artificielle aide réellement à former la prochaine génération d'enseignants, elle doit être utilisée avec un soutien intentionnel qui enseigne aux étudiants comment penser, et pas seulement comment demander.
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.