Structural Modelling of Generative AI Cognitive Integration, Algorithmic Literacy, and Academic Dependency in Peruvian Higher Education

Dans le paysage en mutation rapide de l'éducation moderne, un nouveau type d'outil d'apprentissage est arrivé avec la force d'un raz-de-marée : l'intelligence artificielle générative. Il s'agit de programmes informatiques capables de rédiger des essais, de résoudre des problèmes complexes et de générer des idées qui nécessitaient autrefois un esprit humain. Pour les étudiants au Pérou, comme dans de nombreux autres endroits, ces outils sont désormais disponibles en un clic. Pourtant, posséder un outil puissant ne revient pas à savoir s'en servir. La question centrale à laquelle les éducateurs et les chercheurs sont confrontés aujourd'hui n'est pas de savoir si les étudiants peuvent utiliser ces machines, mais comment leur utilisation modifie le fonctionnement de leur cerveau. Comprendre comment la machine pense aide-t-il l'étudiant à mieux apprendre, ou le simple fait de compter sur la machine lui fait-il oublier comment penser par lui-même ? Cette tension est au cœur d'une nouvelle étude menée dans trois grandes régions du Pérou, qui a cherché à cartographier les voies invisibles entre la compréhension du fonctionnement de la technologie, la manière dont les étudiants l'intègrent à leur pensée, et s'ils en deviennent dépendants.

Les chercheurs ont commencé par rassembler un groupe important de 642 étudiants universitaires de Lima, d'Arequipa et de Cusco, représentant un mélange d'institutions publiques et privées et divers domaines d'études, de l'ingénierie aux sciences de la santé. Ils ont demandé à ces étudiants de réfléchir à leurs propres habitudes et compétences, en se concentrant spécifiquement sur quatre domaines clés. Premièrement, ils ont mesuré la « littératie algorithmique », qui est simplement la capacité de comprendre comment une intelligence artificielle génère ses réponses, de repérer ses erreurs et de reconnaître quand elle pourrait être biaisée. Deuxièmement, ils ont examiné l'« intégration cognitive », ou la mesure dans laquelle un étudiant utilise l'IA pour approfondir sa propre compréhension, connecter des idées complexes et améliorer ses arguments. Troisièmement, ils ont étudié la « dépendance académique », un état où un étudiant sent qu'il ne peut pas accomplir une tâche sans la machine, ou ressent de l'anxiété lorsqu'il ne peut pas y accéder. Enfin, ils ont évalué la « performance académique perçue », qui est la façon dont les étudiants perçoivent leurs propres notes et leur productivité. L'étude a également pris en compte l'« éthique numérique », la boussole morale personnelle qu'un étudiant porte concernant l'utilisation responsable de la technologie.

L'enquête a révélé une histoire claire et puissante sur la manière dont ces facteurs interagissent. Les données ont montré que les étudiants possédant une solide compréhension du fonctionnement de l'intelligence artificielle étaient nettement plus susceptibles de l'utiliser comme un outil pour stimuler leur propre réflexion. Au lieu de laisser la machine faire le travail à leur place, ces étudiants l'utilisaient pour affiner leurs arguments et connecter des concepts difficiles. En d'autres termes, savoir comment la technologie fonctionne agissait comme une clé qui débloquait une manière plus sophistiquée d'apprendre. Inversement, cette même compréhension agissait comme un bouclier contre la dépendance. Les étudiants qui comprenaient la mécanique de l'IA étaient beaucoup moins susceptibles de sentir qu'ils avaient besoin de la machine pour survivre à leurs cours ou de ressentir de l'anxiété sans elle. L'étude a révélé que lorsque les étudiants comprenaient la « boîte noire » de l'algorithme, ils étaient moins enclins à tomber dans le piège de l'externalisation totale de leur effort mental.

Cependant, la relation entre l'utilisation de l'IA et la réussite scolaire n'était pas une ligne droite ; elle dépendait entièrement de la manière dont l'outil était utilisé. La recherche a confirmé que lorsque les étudiants intégraient avec succès l'IA à leur propre processus de pensée, ils déclaraient se sentir plus productifs et voyaient leurs notes s'améliorer. Mais lorsque les étudiants tombaient dans le schéma de la dépendance, s'appuyant sur la machine pour effectuer le gros du travail sans examen critique, leur performance académique perçue en pâtissait. La machine, dans ce cas, devenait une béquille qui affaiblissait leurs propres compétences métacognitives. Une conclusion cruciale a émergé concernant le rôle de l'éthique : les étudiants qui détenaient des principes éthiques solides sur la manière d'utiliser la technologie de façon responsable étaient mieux protégés. Pour ces étudiants, la compréhension de la technologie menait à une réduction encore plus forte de la dépendance, suggérant que la conscience morale amplifie les bénéfices de la connaissance technique.

L'étude a également abordé une inquiétude courante dans la recherche en éducation : les résultats étaient-ils simplement le reflet d'autres facteurs cachés, tels que la richesse d'un étudiant ou son accès à Internet. En utilisant des méthodes statistiques avancées pour contrôler ces variables, les chercheurs ont confirmé que les relations trouvées étaient robustes et directes. Le modèle qu'ils ont construit expliquait plus de la moitié de la variation dans la perception qu'ont les étudiants de leur propre succès académique, un niveau de clarté rare en sciences sociales. Les données ont écarté l'idée que ces effets étaient aléatoires ou causés par des circonstances extérieures, pointant plutôt vers une chaîne causale spécifique : comprendre la technologie mène à une meilleure intégration et à une moindre dépendance, ce qui, à son tour, conduit à de meilleurs résultats académiques.

Ces conclusions portent un message important pour l'avenir de l'éducation au Pérou et ailleurs. Les preuves suggèrent que la solution aux défis posés par l'intelligence artificielle n'est pas de l'interdire ou de l'ignorer, mais d'enseigner aux étudiants comment la comprendre. L'étude indique que les politiques axées uniquement sur la prohibition sont insuffisantes. Au lieu de cela, les universités devraient se concentrer sur le développement d'une « pensée computationnelle critique », aidant les étudiants à déchiffrer la logique derrière les algorithmes qu'ils utilisent. En favorisant une compréhension profonde de la technologie et en l'associant à des directives éthiques solides, les éducateurs peuvent aider les étudiants à transformer ces outils, passant de sources de dépendance à des instruments de croissance intellectuelle. La recherche conclut que la voie à suivre consiste à donner aux étudiants les moyens d'être les maîtres de la technologie, en veillant à ce que la machine serve l'esprit plutôt que de le remplacer.