📄 social_science

The Influence of ChatGPT Usage, Learning Content, and Digital Competence on Biology Students’ Learning Motivation in the Digital Education Era: A Moderated Effect Analysis Model

Cette étude utilise la modélisation par équations structurelles sur 366 étudiants en biologie pour démontrer que, si l'utilisation de ChatGPT et le contenu d'apprentissage influencent positivement la motivation à apprendre, la compétence numérique agit comme un modérateur critique qui renforce l'efficacité du contenu et détermine la mesure dans laquelle ChatGPT contribue à l'engagement des étudiants.

Auteurs originaux : Ibrahim Ibrahim, Juli Firmansyah, Jalaluddin Jalaluddin, Marwan Marwan

Publié 2026-08-07

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ibrahim Ibrahim, Juli Firmansyah, Jalaluddin Jalaluddin, Marwan Marwan

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 la salle de classe du futur non pas comme une pièce avec des tableaux noirs, mais comme un vaste terrain de jeu numérique où l'apprentissage se fait par la conversation. Dans ce monde, il y a trois personnages principaux qui essaient de comprendre comment donner envie aux étudiants d'apprendre. D'abord, il y a ChatGPT, un tuteur IA super intelligent et infatigable qui peut discuter avec vous à tout moment, répondre à vos questions instantanément et vous aider à démêler des concepts complexes. Voyez cela comme une encyclopédie magique qui vous répond. Deuxièmement, il y a le Contenu d'Apprentissage, qui est la matière même que vous étudiez — les manuels, les vidéos et les devoirs. Si ce contenu est ennuyeux, même la meilleure IA ne pourra pas sauver la mise ; mais s'il est amusant et pertinent, il agit comme un booster de fusée pour votre cerveau. Enfin, il y a la Compétence Numérique, qui est simplement votre capacité à utiliser la technologie. C'est la différence entre quelqu'un qui sait juste allumer un ordinateur et quelqu'un qui peut l'utiliser pour construire un vaisseau spatial.

Pendant longtemps, les éducateurs se sont demandé : le fait d'avoir un tuteur IA cool et de bons cours rend-il automatiquement les étudiants plus désireux d'apprendre ? Ou est-ce que cela dépend de la façon dont l'étudiant est « doué en technologie » ? Cette question est cruciale car les écoles se précipitent pour ajouter des outils d'IA, mais elles ne veulent pas perdre de temps avec des gadgets qui ne suscitent pas réellement la curiosité de l'étudiant. Cette étude plonge dans ce mystère exact, en examinant comment ces trois ingrédients se mélangent pour créer (ou échouer à créer) la motivation d'apprentissage chez les étudiants universitaires en Indonésie.

L'Étude : Mélanger l'IA, les Leçons et les Compétences Technologiques

Une équipe de chercheurs a décidé de tester cette recette en interrogeant 366 étudiants universitaires en Indonésie sur leurs habitudes. Ils voulaient voir si l'utilisation de ChatGPT, la qualité des leçons et les propres compétences technologiques des étudiants pouvaient prédire le sentiment de motivation de ces étudiants vis-à-vis de leurs études. Ils ont utilisé un outil statistique sophistiqué appelé « Modélisation par Équations Structurelles » (voyez cela comme une carte ultra-précise qui montre comment une chose en pousse une autre) pour analyser les chiffres.

Voici ce qu'ils ont trouvé, servis avec quelques analogies pour que tout soit clair :

1. Le Tuteur IA est un Motivateur, pas un Formateur de Compétences
L'étude a révélé que l'utilisation de ChatGPT est un énorme coup de pouce pour la motivation de l'apprentissage. Lorsque les étudiants utilisaient l'IA, ils se sentaient plus enthousiastes et engagés. C'est comme avoir un supporter personnel toujours disponible pour expliquer un concept difficile ou aider pour les devoirs ; cela rend tout le processus moins solitaire et plus amusant.

Cependant, voici le rebondissement : utiliser ChatGPT n'a pas automatiquement rendu les étudiants meilleurs dans l'utilisation de la technologie en général. Les chercheurs n'ont trouvé qu'un lien très faible entre la discussion avec l'IA et l'amélioration réelle de la « compétence numérique ». C'est un peu comme jouer à un jeu vidéo : vous pouvez devenir très bon à ce jeu spécifique, mais cela ne signifie pas nécessairement que vous avez appris à réparer une voiture ou à construire un ordinateur. Le simple fait de discuter avec l'IA ne transforme pas magiquement un débutant en sorcier de la technologie, à moins qu'il ne soit guidé pour faire plus que de simples discussions.

2. Les Bonnes Leçons sont le Véritable Superpouvoir
L'ingrédient le plus puissant du mélange était le Contenu d'Apprentissage. L'étude a montré que des leçons de haute qualité, intéressantes et bien structurées avaient un impact massif tant sur la motivation que sur les compétences numériques. Si le matériel est bon, les étudiants s'enthousiasment, et ils deviennent également meilleurs dans l'utilisation des outils pour l'explorer. C'est comme donner à quelqu'un un repas délicieux et nutritif ; ils obtiennent de l'énergie (motivation) et les nutriments nécessaires pour grandir (compétences). Les chercheurs ont découvert que le bon contenu est le moteur le plus puissant de tous.

3. Le Facteur « Tech-Savvy » : Une Arme à Double Tranchant
C'est ici que cela devient très intéressant. Les chercheurs ont examiné la Compétence Numérique (le degré d'aisance technologique des étudiants) pour voir si cela modifiait le fonctionnement des autres facteurs. Ils ont découvert que l'aisance avec la technologie agit comme un filtre ou une lentille.

Pour les Bonnes Leçons : Être doué en technologie rendait les leçons encore plus efficaces. Les étudiants qui savaient déjà utiliser les outils numériques étaient capables d'extraire davantage de jus de contenus de haute qualité, ce qui les rendait encore plus motivés. C'est comme avoir un moteur haute performance dans une voiture de sport ; si vous avez les compétences pour la conduire, la voiture va plus vite.
Pour ChatGPT : Étonnamment, être très doué en technologie a en fait affaibli l'élan de motivation donné par ChatGPT. Les chercheurs suggèrent que les étudiants qui sont déjà très à l'aise avec la technologie n'ont peut-être pas autant besoin de l'IA pour se sentir enthousiastes. Ils ont déjà leurs propres moyens de rester motivés, donc l'IA n'apporte pas autant d'étincelle supplémentaire pour eux que pour les étudiants moins confiants avec la technologie.

4. La Grande Surprise : Les Compétences ne sont pas égales à la Motivation
L'une des choses les plus importantes que l'étude a écartées est l'idée que « si vous êtes bon en informatique, vous aimerez apprendre ». Les données ont montré aucun lien statistiquement significatif entre la compétence numérique et la motivation d'apprentissage. En termes simples, le test statistique (avec une valeur p de 0,843) a confirmé que le simple fait d'être un génie de la technologie ne se traduit pas directement par un désir plus élevé d'étudier. La motivation provient de l'expérience de l'apprentissage (l'aide de l'IA et les bonnes leçons), et non du simple fait de posséder les compétences pour utiliser les outils.

L'Essentiel à Retenir

L'étude conclut que si les outils d'IA comme ChatGPT sont fantastiques pour enthousiasmer les étudiants, ils ne sont pas une baguette magique pour enseigner les compétences technologiques. Pour véritablement allumer le feu d'un étudiant, il faut d'abord de grands contenus. Et bien que l'aisance avec la technologie aide les étudiants à tirer le meilleur parti des bonnes leçons, elle ne garantit pas qu'ils seront motivés à apprendre en premier lieu.

Les chercheurs précisent avec prudence que ces résultats sont basés sur un groupe spécifique d'étudiants et un instantané dans le temps, nous ne pouvons donc pas affirmer avec certitude qu'ils s'appliquent à chaque étudiant partout. Mais le message est clair : ne vous contentez pas de donner un outil d'IA cool à des étudiants en espérant le meilleur. Donnez-leur de superbes leçons, aidez-les à comprendre comment utiliser les outils en profondeur, et rappelez-vous qu'être un expert en technologie ne fait pas automatiquement de quelqu'un un apprenant motivé. La magie opère lorsque les bons outils rencontrent le bon contenu.

Résumé technique : L'influence de l'utilisation de ChatGPT, du contenu d'apprentissage et de la compétence numérique sur la motivation d'apprentissage des étudiants en biologie

Note sur le champ d'application : Bien que le titre fasse référence aux « Étudiants en biologie », la méthodologie et les sections de résultats de l'étude précisent que la population était composée d'étudiants de premier cycle de la Faculté de formation et d'éducation des enseignants de l'Université Syiah Kuala, couvrant les spécialités d'Éducation physique, d'Enseignement de l'anglais, de Psychologie et de Mathématiques. Le résumé suivant reflète les données et le champ d'application réels présentés dans l'article.

1. Énoncé du problème et objectifs de la recherche

L'étude aborde une lacune dans la littérature existante concernant l'impact empirique de l'IA générative (spécifiquement ChatGPT) sur la motivation d'apprentissage des étudiants. Alors que les recherches antérieures ont décrit les capacités des outils d'IA, la compréhension de la manière dont les modèles d'utilisation spécifiques, la qualité du contenu d'apprentissage et la compétence numérique des étudiants interagissent pour influencer la motivation reste limitée. De plus, le rôle de la compétence numérique en tant que variable modératrice dans ces relations demeure sous-étudié.

La recherche vise à :

Évaluer l'impact de l'utilisation de ChatGPT et du contenu d'apprentissage sur la compétence numérique et la motivation d'apprentissage des étudiants.
Déterminer si la compétence numérique influence directement la motivation d'apprentissage.
Examiner si la compétence numérique modère les effets de l'utilisation de ChatGPT et du contenu d'apprentissage sur la motivation d'apprentissage.

2. Méthodologie

Conception de la recherche :
L'étude utilise une conception de recherche quantitative utilisant la modélisation par équations structurelles par les moindres carrés partiels (SEM-PLS) via le logiciel SmartPLS. Cette approche a été choisie pour gérer les relations causales complexes et les effets de modération au sein d'un échantillon de taille modérée.

Population et échantillonnage :

Population : Étudiants de premier cycle (semestres 4 à 8) de la Faculté de formation et d'éducation des enseignants, Université Syiah Kuala.
Échantillon : 366 répondants sélectionnés par échantillonnage aléatoire stratifié afin d'assurer une représentation proportionnelle selon le genre, l'année académique et les spécialités d'études (Éducation physique, Enseignement de l'anglais, Psychologie et Mathématiques).
Démographie : L'échantillon comprenait 55 % de répondantes et 45 % de répondants masculins, la majorité (50 %) étant âgée de 21 à 23 ans.

Instrumentation :
Les données ont été collectées à l'aide d'un questionnaire structuré avec des items mesurés sur une échelle de Likert en 5 points. L'instrument a évalué quatre construits latents :

Utilisation de ChatGPT (X1) : Fréquence, durée et mode d'utilisation.
Contenu d'apprentissage (X2) : Pertinence perçue, qualité et intensité de l'interaction.
Compétence numérique (X3) : Compétences techniques, confiance et adaptabilité.
Motivation d'apprentissage (X4) : Facteurs de motivation intrinsèques et extrinsèques.

Validité et fiabilité :
Le modèle de mesure a démontré une validité et une fiabilité robustes. Tous les chargements factoriels dépassaient 0,70 (sauf un à 0,608, qui a été conservé sur la base de la validité globale du construit). Les valeurs de l'Alpha de Cronbach variaient de 0,739 à 0,888, les valeurs de fiabilité composite (CR) dépassaient 0,834 et les valeurs de variance moyenne extraite (AVE) étaient supérieures au seuil de 0,50 pour tous les construits. La validité discriminante a été confirmée en utilisant le critère de Fornell-Larcer.

Contrôle du biais :
Des remèdes procéduraux (anonymat, formulation claire des items) et des tests statistiques (test du facteur unique de Harman) ont été employés pour atténuer le biais de méthode commune.

3. Résultats clés

L'analyse du modèle structurel a produit les résultats suivants :

Effets directs :

Utilisation de ChatGPT $\rightarrow$ Motivation d'apprentissage : Un effet positif fort et hautement significatif ( $\beta = 0,422, p < 0,001$ ). Une utilisation fréquente de ChatGPT améliore considérablement la motivation des étudiants.
Contenu d'apprentissage $\rightarrow$ Motivation d'apprentissage : L'effet direct le plus fort du modèle ( $\beta = 0,550, p < 0,001$ ). Un contenu de haute qualité, pertinent et interactif est le principal moteur de la motivation.
Contenu d'apprentissage $\rightarrow$ Compétence numérique : Un effet positif significatif ( $\beta = 0,171, p < 0,05$ ). Un contenu engageant contribue au développement des compétences numériques.
Utilisation de ChatGPT $\rightarrow$ Compétence numérique : Un effet positif marginalement significatif ( $\beta = 0,146, p = 0,067$ ). Bien que l'utilisation de ChatGPT tende à améliorer la compétence numérique, l'effet est relativement faible.
Compétence numérique $\rightarrow$ Motivation d'apprentissage : Non soutenu. La relation n'était pas statistiquement significative ( $\beta = -0,005, p = 0,843$ ). Posséder des compétences numériques ne se traduit pas directement par une motivation d'apprentissage plus élevée.

Effets de modération :

La compétence numérique modérant l'effet Utilisation de ChatGPT $\rightarrow$ Motivation : Un effet de modération négatif significatif ( $\beta = -0,091, p = 0,032$ ). Une compétence numérique plus élevée affaiblit la relation positive entre l'utilisation de ChatGPT et la motivation. Les auteurs interprètent cela comme un effet compensatoire : les étudiants ayant des compétences numériques élevées peuvent dépendre moins de ChatGPT pour la motivation, car ils possèdent d'autres capacités d'apprentissage autorégulé.
La compétence numérique modérant l'effet Contenu d'apprentissage $\rightarrow$ Motivation : Un effet de modération positif significatif ( $\beta = 0,132, p = 0,024$ ). Une compétence numérique plus élevée renforce la relation entre le contenu d'apprentissage et la motivation. Les étudiants dotés de meilleures compétences numériques sont plus capables de tirer parti d'un contenu de haute qualité pour stimuler leur motivation.

Ajustement du modèle :

Le modèle explique 81,3 % de la variance de la Motivation d'apprentissage ( $R^2 = 0,813$ ), indiquant un fort pouvoir prédictif.
Le modèle n'explique que 8,7 % de la variance de la Compétence numérique ( $R^2 = 0,087$ ), suggérant que d'autres facteurs (par exemple, l'expérience préalable, l'infrastructure) jouent un rôle plus important dans la détermination de la compétence numérique que les variables incluses dans cette étude.

4. Contributions et affirmations clés

L'article revendique les contributions suivantes au domaine de l'éducation numérique :

Rôle de l'IA dans la motivation : L'étude confirme empiriquement que ChatGPT est un moteur significatif de la motivation d'apprentissage, probablement grâce à sa capacité à fournir un feedback immédiat, personnalisé et à soutenir l'autonomie.
Primauté de la qualité du contenu : La recherche souligne que bien que les outils d'IA soient bénéfiques, la qualité et la conception du contenu d'apprentissage restent les facteurs les plus critiques pour l'engagement et la motivation des étudiants.
Rôle nuancé de la compétence numérique :
- L'étude conteste l'hypothèse selon laquelle les compétences numériques mènent automatiquement à une motivation plus élevée, ne trouvant aucun lien direct significatif.
- Elle établit la compétence numérique comme un modérateur critique plutôt qu'un prédicteur direct. Elle agit comme un « filtre » ou un « amplificateur » : elle améliore les bénéfices d'un bon contenu, mais peut diminuer la dépendance aux outils d'IA pour la motivation chez les étudiants hautement qualifiés.
Limites de l'IA pour le développement des compétences : La signification marginale de ChatGPT sur la compétence numérique suggère que la simple exposition à l'IA est insuffisante pour un développement complet des compétences numériques ; une utilisation guidée et des stratégies de littératie numérique plus larges sont nécessaires.

5. Signification et implications

Les auteurs concluent que l'intégration d'outils d'IA comme ChatGPT est efficace pour renforcer la motivation des étudiants, mais que cette efficacité est conditionnelle. L'étude souligne que :

La conception pédagogique compte : La technologie doit être intégrée à un contenu d'apprentissage de haute qualité et interactif pour maximiser les résultats motivationnels.
Compétence vs Motivation : Améliorer la compétence numérique est nécessaire pour accéder aux outils, mais ce n'est pas un substitut aux moteurs de motivation. La motivation est plus fortement influencée par l'environnement d'apprentissage et la pertinence du contenu que par la seule maîtrise technique.
Dépendance contextuelle : L'impact de la technologie varie selon le niveau de compétence numérique de l'étudiant. Les éducateurs doivent reconnaître que les étudiants hautement compétents peuvent tirer des bénéfices motivationnels différents des outils d'IA par rapport à ceux ayant une compétence moindre.

L'article conclut que les futures stratégies éducatives devraient se concentrer sur l'intégration synergique de contenus de haute qualité, d'une utilisation stratégique de l'IA et du développement de la compétence numérique, plutôt que de compter sur la technologie comme une solution autonome pour la motivation.