📄 social_science

An Integrative Model of Artificial Intelligence Competencies and a Multi-theoretical Approach to the Implementation of Inclusive STEM Learning

Cette étude quantitative menée auprès de 1 000 enseignants d'écoles inclusives indonésiennes démontre que les compétences en IA et une approche pédagogique multi-théorique améliorent de manière significative et synergique la mise en œuvre de l'apprentissage inclusif des STIM, validant ainsi un modèle intégratif pour la préparation des enseignants et l'élaboration de politiques.

Auteurs originaux : I Wayan Sumandya, I Wayan Widana, A.A. Istri Mirah Dharmadewi, Gde Iwan Setiawan

Publié 2026-06-29

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : I Wayan Sumandya, I Wayan Widana, A.A. Istri Mirah Dharmadewi, Gde Iwan Setiawan

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 essayez de construire une maison accueillante pour tout le monde, quels que soient la taille, la forme ou les capacités de chacun. C'est ce qu'est l'Apprentissage STEM Inclusif : il s'agit d'enseigner les Sciences, la Technologie, l'Ingénierie et les Mathématiques d'une manière qui permet à chaque élève de participer et de réussir.

Ce document est essentiellement un plan de construction pour aider les enseignants à bâtir cette maison avec succès. Les auteurs, une équipe de l'Universitas PGRI Mahadiva Indonesia, soutiennent que vous ne pouvez pas simplement donner à un enseignant un tas de briques (la technologie) et espérer obtenir une grande maison. Ils ont besoin que deux choses spécifiques travaillent ensemble : les Compétences en IA et la Théorie Éducative.

Voici la décomposition de leurs conclusions en utilisant des analogies simples :

1. Les deux ingrédients essentiels

Les chercheurs ont étudié 1 000 enseignants en Indonésie pour voir ce qui les rend efficaces dans cette tâche. Ils ont découvert que deux « ingrédients » principaux sont nécessaires :

La Compétence en IA (La boîte à outils) : Il ne s'agit pas seulement de savoir comment allumer un ordinateur. C'est comme si un enseignant possédait une boîte à outils magique et de haute technologie. Ils doivent savoir utiliser l'IA pour créer des leçons qui s'adaptent aux différents élèves, comprendre comment l'IA « réfléchit », et connaître les règles éthiques (comme ne pas laisser l'IA être injuste).
L'Approche Multi-théorique (Le plan de l'architecte) : C'est la connaissance de l'enseignant sur la façon dont les gens apprennent. Imaginez un maître architecte qui sait que certaines personnes apprennent en faisant, d'autres en regardant et d'autres en discutant. Un enseignant « multi-théorique » ne se repose pas sur un seul manuel ; il mélange différentes théories de l'apprentissage (comme la façon dont les enfants construisent leurs propres connaissances, comment ils apprennent les uns des autres et comment faire en sorte que tout le monde se sente en sécurité) pour concevoir la leçon parfaite.

2. La magie du mélange (La synergie)

La partie la plus excitante de l'étude est ce qui se produit lorsque vous combinez ces deux éléments.

Considérez l'IA comme un moteur puissant dans une voiture, et la Théorie de l'apprentissage comme le volant et la carte.

Si vous avez un moteur puissant (l'IA) mais pas de volant (la Théorie), la voiture va très vite mais finit par s'écraser ou tourne en rond. L'enseignant peut utiliser une technologie géniale mais passer à côté des besoins des élèves.
Si vous avez une excellente carte (la Théorie) mais un moteur faible (pas d'IA), vous savez exactement où aller, mais vous avancez trop lentement pour y arriver efficacement.
La conclusion de l'étude : Lorsque vous avez à la fois un moteur puissant et un conducteur habile avec une carte, la voiture vole. Les chercheurs ont découvert que lorsque les enseignants possédaient à la fois de solides compétences en IA et une compréhension profonde des théories de l'apprentissage, leur capacité à enseigner de manière inclusive était nettement plus forte que s'ils n'avaient qu'un seul des deux. Ils ont appelé cela un « effet de synergie ».

3. Ce que disent les chiffres

Les chercheurs ont utilisé une méthode statistique sophistiquée (comme une calculatrice très précise) pour mesurer cela.

Les compétences en IA seules ont aidé les enseignants à être environ 40 % plus efficaces.
Les théories de l'apprentissage seules ont aidé les enseignants à être environ 32 % plus efficaces.
Mais lorsqu'elles sont combinées, elles se renforcent mutuellement, augmentant la réussite globale de manière encore plus élevée.

L'étude explique environ 43 % des raisons pour lesquelles certains enseignants excellent dans le STEM inclusif et d'autres non. Le reste dépend d'autres facteurs non mesurés dans cette étude spécifique (comme le financement des écoles ou la vie familiale des élèves).

4. L'essentiel à retenir

Le document conclut que pour rendre l'apprentissage STEM équitable et accessible à tous (y compris aux élèves ayant des besoins spécifiques), nous ne pouvons pas nous contenter de former les enseignants pour qu'ils soient des « techniciens ». Nous ne pouvons pas non plus nous contenter de les former pour qu'ils soient des « théoriciens ».

Nous avons besoin d'enseignants hybrides : ceux qui sont à l'aise avec les derniers outils d'IA et qui comprennent profondément l'aspect humain de l'apprentissage. Lorsque ces deux mondes entrent en collision, ils créent un environnement d'apprentissage qui est non seulement intelligent, mais aussi bienveillant, juste et adaptable à chaque élève.

En bref : Vous avez besoin des bons outils (l'IA) et du bon plan (la Théorie) pour construire une salle de classe où chacun a sa place.

Résumé Technique : Un Modèle Intégratif des Compétences en Intelligence Artificielle et une Approche Multi-théorique de la Mise en Œuvre d'un Apprentissage STEM Inclusif

Énoncé du Problème
L'intégration de l'Intelligence Artificielle (IA) dans l'enseignement des sciences, de la technologie, de l'ingénierie et des mathématiques (STEM) au sein des écoles inclusives fait face à une lacune critique : la préparation des enseignants se limite souvent à la maîtrise technologique, manquant d'un cadre théorique pédagogique complet. Bien que l'IA offre un potentiel de personnalisation et d'accessibilité, sa mise en œuvre dans des contextes inclusifs risque de créer des disparités si les éducateurs la considèrent simplement comme un outil technique plutôt que comme un instrument conceptuel pour une pédagogie pilotée par les données, éthique et inclusive. La littérature existante manque de modèles intégratifs qui combinent explicitement les compétences en IA des enseignants avec des approches multi-théoriques (par exemple, le constructivisme, la théorie sociocognitive, la théorie de l'éducation inclusive) comme prédicteurs d'une mise en œuvre réussie du STEM inclusif. De plus, les limites méthodologiques des études antérieures, telles qu'une dépendance aux conceptions qualitatives ou à de simples enquêtes sans test simultané de causalité entre les variables latentes, entravent une compréhension robuste de ces relations structurelles.

Méthodologie
Cette étude a employé un plan d'enquête explicatif quantitatif pour tester un modèle structurel intégratif.

Participants : L'échantillon était composé de 1 000 enseignants actifs d'écoles inclusives en Indonésie (Bali, Nusa Tenggara occidentale et Nusa Tenggara orientale), sélectionnés par échantillonnage intentionnel. Les critères comprenaient au moins deux ans d'expérience d'enseignement et une implication préalable dans des programmes d'IA ou de STEM.
Instrument : Les données ont été collectées à l'aide d'un questionnaire utilisant une échelle de Likoli à cinq points mesurant trois construits primaires :
1. Compétence en IA : Englobant la compréhension conceptuelle, les capacités opérationnelles, l'innovation, la collaboration et la confiance.
2. Approche Multi-théorique : Mesurant la conformité de la théorie et de la pratique, la synthèse théorique, la contribution à l'inclusion, la faisabilité et le développement professionnel.
3. Capacités de Mise en Œuvre du STEM : Évaluant la planification, le curriculum adaptatif, les stratégies actives, l'intégration de l'IA, l'évaluation inclusive et le soutien des ressources.
Analyse : Les données ont été analysées à l'aide de la modélisation par équations structurelles par les moindres carrés partiels (PLS-SEM) via le logiciel SmartPLS. L'analyse a suivi une approche en deux étapes :
1. Modèle de Mesure : Évalué pour la fiabilité (Alpha de Cronbach, Fiabilité Composite) et la validité (Validité Convergente via l'AVE et les Chargements Factoriels ; Validité Discriminante via les critères de Fornell-Larcker et HTMT).
2. Modèle Structurel : Testé pour la multicolinéarité (VIF interne), les coefficients de chemin (test d'hypothèse), les tailles d'effet ( $f^2$ ) et la pertinence prédictive ( $R^2$ , $Q^2$ ). Le bootstrapping a été utilisé pour déterminer la signification statistique.

Résultats Clés
Le modèle structurel a démontré une excellente validité et fiabilité des construits, avec tous les chargements factoriels dépassant 0,70, des valeurs de fiabilité composite supérieures à 0,90 et des valeurs d'erreur quadratique moyenne (AVE) supérieures à 0,65. La validité discriminante a été confirmée car la racine carrée de l'AVE pour chaque construit dépassait les corrélations inter-construits.

Le test d'hypothèse a produit les résultats significatifs suivants :

Compétence en IA : Les compétences en IA des enseignants ont un effet direct positif significatif sur la mise en œuvre de l'apprentissage STEM inclusif ( $\beta = 0,408$ , $p < 0,001$ ).
Approche Multi-théorique : L'approche multi-théorique a un effet direct positif significatif sur la mise en œuvre du STEM inclusif ( $\beta = 0,320$ , $p < 0,001$ ).
Effet d'Interaction : Il existe un effet d'interaction positif significatif entre la compétence en IA et l'approche multi-théorique ( $\beta = 0,213$ , $p < 0,001$ ), indiquant une relation synergique où la combinaison de ces deux facteurs améliore l'efficacité de la mise en œuvre.
Ajustement du Modèle : Le modèle structurel explique 42,7 % de la variance de la mise en œuvre du STEM inclusif ( $R^2 = 0,427$ ), classée comme un pouvoir prédictif modéré. Le modèle ne présentait aucun problème de multicolinéarité (VIF interne < 5) et un résidu quadratique moyen standardisé (SRMR) indiquant un bon ajustement du modèle.

Contributions Clés

Théorique : L'étude propose et valide un « Modèle Intégratif » (appelé dans la discussion le Modèle Multi-théorique Intégré à l'IA ou AIMTM) qui lie explicitement les compétences en IA et les approches pédagogiques multi-théoriques comme doubles prédicteurs du succès du STEM inclusif. Elle étend les théories constructivistes et sociocognitives dans un contexte techno-pédagogique, soulignant que l'IA doit être ancrée dans des théories éducatives éthiques et humanistes.
Méthodologique : En utilisant la méthode PLS-SEM, la recherche fournit une analyse causale et prédictive robuste des variables latentes, répondant aux lacunes méthodologiques des études exploratoires ou qualitatives antérieures dans ce domaine.
Pratique : Les résultats offrent des implications stratégiques pour le développement professionnel des enseignants, suggérant que la formation doit aller au-delà des compétences techniques en IA pour inclure l'intégration des théories de l'apprentissage, la réflexion éthique et les compétences collaboratives.

Signification et Revendications
Les auteurs affirment que cette recherche fournit des preuves empiriques solides que la mise en œuvre réussie de l'apprentissage STEM inclusif repose sur la synergie entre la maîtrise technologique (compétence en IA) et la profondeur épistémologique (approche multi-théorique). L'étude soutient que l'IA seule est insuffisante ; elle nécessite un « alignement pédagogique » où les enseignants agissent comme médiateurs entre les algorithmes et les valeurs humaines.

L'article conclut que l'intégration de ces dimensions crée un « écosystème d'apprentissage intelligent » capable de favoriser un enseignement STEM équitable, adaptatif et durable. Les auteurs positionnent leur travail comme une étape fondamentale pour les décideurs politiques et les concepteurs de programmes afin de concevoir des interventions qui préviennent le phénomène du « technologue sans direction », garantissant que l'IA serve d'outil pour l'équité plutôt que de source de nouveaux écarts éducatifs. L'étude note modestement que, bien que le modèle soit robuste, les recherches futures devraient explorer les influences contextuelles multi-niveaux et les validations transculturelles à travers l'Asie du Sud-Est.

1. Les deux ingrédients essentiels

2. La magie du mélange (La synergie)

3. Ce que disent les chiffres

4. L'essentiel à retenir

Articles similaires