Generative AI and Cognitive Mediation in Higher Education: A Computational Literature Review
À travers une revue de littérature computationnelle de 1 435 publications, cette étude cartographie le paysage cognitif fragmenté de l'IA générative dans l'enseignement supérieur afin de proposer la « médiation cognitive » comme cadre unificateur pour comprendre comment la responsabilité cognitive est distribuée, régulée et potentiellement vulnérable dans les interactions apprenant-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 un étudiant pose une question, et qu'une intelligence artificielle fournit instantanément une réponse soignée et bien raisonnée. Ce n'est plus de la science-fiction ; c'est la réalité de l'intelligence artificielle générative dans l'enseignement supérieur aujourd'hui. Ces systèmes peuvent rédiger des essais, résoudre des problèmes complexes et synthétiser de vastes quantités d'informations, accomplissant ainsi des tâches qui nécessitaient autrefois une profonde réflexion humaine. Ce changement soulève une question fondamentale pour les éducateurs comme pour les apprenants : lorsqu'une machine effectue le gros du travail de réflexion, qu'advient-il de l'esprit de l'étudiant ? La technologie agit-elle comme un tuteur utile qui amplifie l'intelligence humaine, ou devient-elle une béquille qui provoque l'atrophie de l'esprit ? Pour répondre à cela, les chercheurs doivent regarder au-delà des simples statistiques d'utilisation et examiner comment la nature même de l'apprentissage change lorsque les humains et les machines partagent la charge cognitive.
Une équipe de chercheurs s'est donné pour mission de cartographier ce paysage en évolution rapide en analysant la conversation mondiale qui se déroule dans les revues académiques. Ils ont rassemblé 1 435 articles savants publiés entre 2023 et 2026 qui discutaient spécifiquement de l'intelligence artificielle, de l'enseignement supérieur et des mécanismes de la pensée. Leur objectif n'était pas de tester directement les étudiants, mais de comprendre comment les experts cadrent le problème. Ils ont recherché des concepts spécifiques décrivant notre façon de penser : la capacité à juger l'information de manière critique, la compétence à surveiller son propre processus d'apprentissage, l'effort mental requis pour accomplir une tâche et les risques liés à une dépendance excessive envers une machine. En utilisant des outils informatiques pour scanner des milliers de pages de texte, ils ont pu voir quelles idées apparaissaient le plus souvent, comment ces idées étaient connectées entre elles et comment l'orientation de la recherche évoluait au fil du temps.
L'analyse a révélé que le volume de la conversation a explosé, passant d'un petit nombre d'articles en 2023 à des centaines en 2025. Au sein de cette vaste collection d'écrits, un concept s'est distingué comme étant le plus fréquemment discuté : la pensée critique. Il s'agit de la capacité à évaluer l'information, à repérer les erreurs et à former des jugements indépendants plutôt que de simplement accepter ce qui est présenté. Ce concept est apparu dans près de la moitié de tous les articles étudiés. Le deuxième thème le plus courant était la métacognition, qui consiste essentiellement à réfléchir à sa propre pensée — savoir quand on comprend quelque chose et quand on a besoin de demander de l'aide. Bien que ces deux idées aient été mentionnées ensemble plus souvent que n'importe quelle autre paire, les chercheurs ont découvert un tournant surprenant dans leur relation. Lorsque les données ont été ajustées pour tenir compte de la fréquence de chaque sujet, la connexion entre la pensée critique et la métacognition s'est en fait affaiblie, suggérant que les chercheurs les abordent dans des contextes légèrement différents.
En revanche, une paire de concepts différente présentait un lien beaucoup plus étroit. La peur du « biais d'automatisation » — la tendance à accorder trop facilement sa confiance au résultat d'une machine — et la « dépendance cognitive » — l'état de devenir dépendant d'un système pour effectuer le travail — apparaissaient ensemble avec une force que leurs fréquences individuelles ne prédisaient pas. Cela suggère qu'en discutant des dangers d'une dépendance excessive, les chercheurs lient de plus en plus l'erreur immédiate de faire confiance à une machine au risque à plus long terme de perdre la capacité de penser par soi-même. D'autres préoccupations, telles que l'effort mental requis pour utiliser ces outils, le potentiel d'affaiblissement des compétences au fil du temps et l'accumulation d'une « dette cognitive » où l'apprentissage est reporté, étaient présentes mais restaient en marge de la conversation. Ces inquiétudes à plus long terme sont discutées bien moins souvent que les questions immédiates de savoir comment utiliser les outils efficacement.
Les chercheurs ont également regroupé la littérature en huit thèmes distincts pour voir où se situait l'attention. Le thème le plus courant était simplement l'intégration de ces outils dans les systèmes universitaires. Cependant, une tendance significative est apparue au fil des années : la recherche s'éloigne de la simple question de savoir comment utiliser la technologie pour se diriger vers des questions plus profondes sur la manière dont elle modifie la structure de l'apprentissage. La proportion d'articles consacrés aux modèles théoriques de fonctionnement de la cognition avec l'IA a progressé régulièrement. Cela indique un domaine qui mûrit et qui commence à traiter l'intelligence artificielle non pas seulement comme un nouvel outil, mais comme un partenaire dans la distribution du travail mental. La question centrale n'est plus de savoir si la technologie est bonne ou mauvaise, mais comment la responsabilité de la pensée est partagée.
En fin de compte, l'étude suggère que le défi pour l'enseignement supérieur n'est pas d'interdire ces systèmes ou de les accepter aveuglément, mais de concevoir des environnements d'apprentissage où la distribution du travail cognitif est intentionnelle. Les résultats indiquent qu'un avenir où la compétence la plus importante sera de savoir quoi faire des réponses fournies par une machine. Cela exige que les étudiants restent les juges du résultat, qu'ils vérifient le raisonnement et qu'ils s'assurent que la machine soutient leur apprentissage plutôt que de remplacer la lutte qui mène à la compréhension. La recherche ne prétend pas avoir résolu ce problème, mais elle fournit une carte claire du terrain, montrant que la conversation est passée de l'adoption simple à une négociation complexe sur qui fait la pensée, et qui reste responsable du résultat.
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.