📄 social_science

Beyond Efficiency: Critical Thinking, Trust, and Learning Outcomes in Human-GenAI Partnerships within UAE Higher Education

Cette étude portant sur des étudiants émiratis de premier cycle en commerce révèle que, bien que l'IA générative améliore l'engagement, la productivité et la confiance, elle ne parvient pas à améliorer significativement la pensée critique et peut même induire la procrastination, mettant en évidence un décalage critique entre l'efficacité pilotée par l'IA et les résultats d'apprentissage profond.

Auteurs originaux : charu banga, Amir Kincar, Hassan Mustafa

Publié 2026-08-20

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : charu banga, Amir Kincar, Hassan Mustafa

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

Dans la salle de classe moderne, un nouveau genre de partenaire est arrivé. Ce n'est ni un enseignant, ni un camarade d'études, mais une machine capable de rédiger des essais, de résoudre des problèmes et de générer des idées en quelques secondes. Cette technologie, connue sous le nom d'intelligence artificielle générative, s'est propagée dans les universités avec une rapidité fulgurante, changeant la manière dont les étudiants abordent leur travail. Depuis des décennies, les éducateurs s'appuient sur des théories concernant l'apprentissage de l'esprit, comme l'idée que nos cerveaux disposent d'une quantité limitée d'énergie mentale pour traiter de nouvelles informations à un instant donné. Lorsqu'un outil aide à réduire l'effort considérable des tâches de base, on espérait que cette énergie libérée permettrait aux étudiants de réfléchir plus profondément, de raisonner mieux et d'apprendre plus efficacement. La question qui plane désormais sur les universités est simple mais profonde : ce nouvel assistant puissant rend-il réellement les étudiants plus intelligents, ou les rend-il simplement plus rapides ?

Une équipe de chercheurs d'une université de Dubaï s'est donné pour mission de répondre à cette question en observant comment des étudiants en commerce utilisaient réellement ces outils dans leurs études quotidiennes. Ils ne se sont pas contentés de demander aux étudiants ce qu'ils en pensaient ; ils ont suivi la fréquence d'utilisation de la technologie, la manière dont les étudiants interagissaient avec elle et ce qu'ils estimaient avoir appris grâce à elle. L'étude s'est concentrée sur un groupe spécifique d'étudiants de premier cycle à qui était explicitement autorisé l'usage de ces outils d'intelligence artificielle pour tout, du brainstorming d'idées à la rédaction de rapports de projets finaux. Les chercheurs voulaient voir si l'utilisation plus fréquente de l'outil menait à de meilleures notes, une compréhension plus profonde ou des capacités de pensée critique plus aiguisées. Ils ont également recherché des comportements cachés, comme le fait de savoir si la disponibilité d'une réponse rapide poussait les étudiants à retarder le début de leur travail.

Les résultats ont révélé l'histoire de deux chemins différents. D'une part, les étudiants qui utilisaient les outils d'intelligence artificielle de manière plus fréquente et plus approfondie sont devenus beaucoup plus engagés dans leurs cours. Ils ont déclaré se sentir plus productifs, gagner un temps considérable et se sentir plus créatifs dans leur approche des problèmes. Les outils semblaient fonctionner exactement comme prévu pour ces tâches, agissant comme un moteur fiable pour accomplir le travail. Cependant, les chercheurs ont découvert un décalage surprenant lorsqu'ils ont examiné la mesure la plus importante de l'apprentissage profond : la pensée critique. Bien que les outils aient aidé les étudiants à terminer leurs tâches plus rapidement et avec plus d'idées, l'étude a révélé que l'utilisation de la technologie ne rendait pas simplement les étudiants meilleurs pour analyser l'information ou penser de manière critique. En fait, les données ont montré que la capacité de pensée critique restait largement indépendante de l'utilisation de l'intelligence artificielle par l'étudiant.

Cette conclusion remet en question l'espoir commun selon lequel la technologie améliore naturellement nos capacités de réflexion. L'étude suggère que, bien que l'intelligence artificielle puisse gérer l'effort considérable de collecte d'informations et de rédaction de textes, elle n'enseigne pas automatiquement à un étudiant comment évaluer ces informations. Les étudiants de l'étude n'étaient pas passifs ; ils étaient actifs. Une grande majorité d'entre eux, près de 90 pour cent, vérifiait les faits et les références fournis par la machine avant de les utiliser. Pourtant, cette vérification minutieuse ne s'est pas traduite par un renforcement mesurable de leurs scores de pensée critique. Les chercheurs ont constaté que la pensée critique était le prédicteur le plus fort du succès global de l'apprentissage de l'étudiant, mais qu'il ne s'agissait pas d'une compétence que l'outil d'intelligence artificielle pouvait générer lui-même. Au contraire, il semblait s'agir d'une compétence que les étudiants possédaient déjà ou développaient par d'autres moyens, et qu'ils appliquaient ensuite lors de l'utilisation de l'outil.

Un autre comportement inattendu a émergé des données, que les chercheurs décrivent comme un retard dans le début du travail. Parce que les étudiants savaient qu'ils pouvaient compter sur l'intelligence artificielle pour les aider à terminer rapidement leurs tâches, ils avaient tendance à attendre plus longtemps avant de commencer leurs devoirs. Un groupe d'étudiants, utilisant massivement les outils, a commencé ses projets environ une semaine et demie plus tard qu'ils ne l'auraient fait autrement. Cela suggère que l'efficacité gagnée grâce à la technologie s'est accompagnée d'un coût comportemental. La rapidité de l'outil a créé un sentiment d'urgence moins immédiat, menant les étudiants à la procrastination. Ils ont échangé le temps économisé pendant le travail contre du temps perdu au début, un arbitrage qui pourrait ne pas être évident avant que l'échéance n'approche.

L'étude a également mis en évidence un écart entre ce que les étudiants faisaient et ce qu'ils déclaraient. Bien que la plupart des étudiants aient pris soin de vérifier l'exactitude des informations fournies par la machine, très peu ont formellement mentionné l'usage de l'outil dans leurs travaux finaux. Environ un tiers des étudiants seulement ont cité l'intelligence artificielle dans leur travail, même s'ils avaient vérifié l'exactitude de ses résultats. Cela crée une situation complexe où les étudiants agissent de manière responsable en vérifiant les faits, mais ne respectent pas les règles académiques standards concernant l'attribution. Les chercheurs ont noté que ce décalage entre la vérification et la citation est une préoccupation croissante dans l'enseignement supérieur, soulignant la nécessité de directives plus claires sur la manière d'utiliser ces outils de manière éthique.

En fin de compte, la recherche brosse le portrait d'un outil excellent pour l'efficacité, mais neutre pour la croissance cognitive profonde. L'intelligence artificielle a aidé les étudiants à travailler plus vite, à génire plus d'idées et à se sentir plus confiants dans leur capacité à accomplir des tâches. Elle ne les a toutefois pas rendus meilleurs penseurs critiques par elle-même. L'étude conclut que pour que les étudiants bénéficient réellement de cette technologie, ils doivent apporter leurs propres capacités d'analyse à l'interaction. La machine peut fournir la matière brute, mais l'esprit humain doit toujours effectuer l'effort principal d'évaluation et de jugement. Sans cet engagement actif et critique, la rapidité de l'outil pourrait simplement conduire à un apprentissage plus rapide, mais plus superficiel. La voie à suivre pour l'éducation, suggèrent les chercheurs, ne consiste pas à bannir l'outil ou à supposer qu'il enseignera tout aux étudiants, mais à concevoir des leçons qui exigent que les étudiants utilisent l'outil tout en pratiquant simultanément le travail difficile de penser par eux-mêmes.

Résumé Technique : Au-delà de l'efficacité : Pensée critique, confiance et résultats d'apprentissage dans les partenariats Humain-IA Générative au sein de l'enseignement supérieur aux Émirats arabes unis

Problématique
Malgré l'adoption rapide de l'intelligence artificielle générative (IA générative) dans l'enseignement supérieur, une question empirique fondamentale reste non résolue : les outils d'IA générative fonctionnent-ils comme de véritables co-partenaires cognitifs qui approfondissent l'apprentissage ou simplement comme des substituts d'efficacité qui améliorent la productivité au détriment du développement cognitif ? La littérature existante se concentre principalement sur les modèles d'adoption ou les effets directs sur les résultats, traitant souvent l'usage de l'IA générative comme un phénomène binaire. De plus, il existe un écart géographique et contextuel significatif concernant l'impact de l'IA générative au sein du Conseil de coopération du Golfe (CCG) et des Émirats arabes unis (EAU), où les preuves empiriques liant l'intensité de l'utilisation à des mécanismes cognitifs et comportementaux spécifiques sont limitées. Cette étude aborde le manque de compréhension concernant la manière dont les différents niveaux d'engagement envers l'IA générative activent des processus interconnectés qui façonnent les expériences d'apprentissage et la performance académique.

Méthodologie
L'étude emploie un plan de recherche quantitatif et explicatif utilisant une enquête par recensement transversale auprès de 91 étudiants de premier cycle en commerce (inscrits en finance, gestion commerciale internationale et marketing) d'une institution d'enseignement supérieur américaine à Dubaï durant l'année académique 2025-2026. Le contexte de l'étude était un cadre pédagogique structuré où l'usage de l'IA générative était explicitement autorisé pour les évaluations, la soumission de projets et la préparation des études.

La recherche utilise un cadre analytique en deux étapes :

Analyse descriptive : Pour établir des modèles empiriques d'utilisation, d'engagement et de résultats perçus.
Modélisation par équations structurelles par les moindres carrés partiels (PLS-SEM) : Pour tester un modèle conceptuel intégrant la théorie de la charge cognitive (CLT), la théorie sociale cognitive (SCT) et une perspective d'apprentissage médiatisée par la technologie.

Le modèle examine deux voies distinctes reliant l'intensité de l'utilisation de l'IA générative aux résultats d'apprentissage :

Voie de l'engagement séquentiel médiatisé : Intensité d'utilisation $\rightarrow$ Engagement $\rightarrow$ Productivité/Créativité/Pensée critique $\rightarrow$ Résultats d'apprentissage.
Voie affective-évaluative : Intensité d'utilisation $\rightarrow$ Confiance en l'IA $\rightarrow$ Résultats d'apprentissage.

Les construits ont été mesurés à l'aide d'une combinaison d'échelles de Likert en cinq points (pour les variables perceptuelles comme la confiance et la pensée critique) et de mesures ordinales/de fréquence (pour l'intensité d'utilisation et les gains de temps). La fiabilité et la validité ont été évaluées via l'alpha de Cronbach, la fiabilité composite (CR), la variance moyenne extraite (AVE) et les ratios HTMT.

Résultats clés
L'analyse du modèle structurel a produit plusieurs conclusions critiques :

Utilisation et engagement : L'intensité de l'utilisation de l'IA générative est un prédicteur fort de l'engagement des étudiants ( $\beta = 0,720, p < 0,001$ ). Une utilisation plus élevée conduit à un investissement plus profond dans la recherche, la génération d'idées et la rédaction.
Productivité et créativité : L'engagement améliore significativement la productivité perçue ( $\beta = 0,655$ ) et la créativité ( $\beta = 0,400$ ).
Le paradoxe de la pensée critique : Contrairement aux attentes, l'engagement envers l'IA générative ne prédit pas de manière significative la pensée critique ( $\beta = 0,124, p = 0,331$ ). Cependant, la pensée critique demeure le prédicteur direct le plus fort des résultats d'apprentissage ( $\beta = 0,377, p < 0,001$ ). Cela indique que la pensée critique opère indépendamment des modèles d'engagement de l'IA générative dans ce modèle.
Le décalage efficacité-apprentissage : Bien que l'engagement stimule la productivité, celle-ci ne se traduit pas de manière significative par une amélioration des résultats d'apprentissage ( $\beta = 0,201, p = 0,099$ ). De même, la confiance en l'IA, bien qu'influencée positivement par l'intensité d'utilisation, ne prédit pas de manière significative les résultats d'apprentissage ( $\beta = 0,171, p = 0,095$ ).
Compromis comportementaux : L'étude identifie un « effet de procrastination », où la disponibilité de l'IA générative est corrélée à un retard dans l'initiation des tâches (décalant le début des projets de la semaine 8,5 à la semaine 10), malgré les gains de temps rapportés lors de l'exécution.
Vérification vs Attribution : Un écart important existe entre la vérification et l'attribution formelle. Alors que 89 % des étudiants recoupent les références générées par l'IA, seuls 34,1 % citent formellement les outils d'IA générative, soulignant un décalage entre la vérification critique et les pratiques d'intégrité académique.

Principales contributions
L'article apporte quatre contributions spécifiques à la littérature :

Opérationnalisation de l'intensité : Il dépasse les mesures d'utilisation binaire en opérationnalisant l'intensité de l'utilisation de l'IA générative comme un construit formatif intégrant à la fois la fréquence et la profondeur de l'engagement.
Modélisation mécaniste : Il développe et teste empiriquement un modèle structurel séquentiel, médiatisé par l'engagement, dans le contexte des EAU, liant l'intensité d'utilisation aux résultats d'apprentissage par le biais de médiateurs cognitifs et comportementaux spécifiques.
Identification de phénomènes comportementaux : Il quantifie l'« effet de procrastination » associé à la disponibilité de l'IA générative et le « paradoxe de la vérification-attribution », où les étudiants vérifient rigoureusement le contenu mais échouent à l'attribuer formellement.
Preuve contextuelle : Il fournit des données empiriques de niveau populationnel, basées sur des interventions, provenant du secteur de l'enseignement supérieur des EAU, sous-documenté, remettant en question l'hypothèse selon laquelle l'engagement technologique développe organiquement les capacités d'évaluation.

Signification et affirmations
Les auteurs affirment que l'étude fait progresser le domaine d'une perspective axée sur l'adoption vers une compréhension orientée sur les processus. La signification centrale réside dans le constat que l'efficacité ne vaut pas apprentissage. L'étude démontre que si l'IA générative améliore la productivité et l'engagement, elle ne favorise pas automatiquement la pensée critique ou l'amélioration des résultats d'apprentissage, à moins que les étudiants n'appliquent activement des compétences évaluatives.

L'article postule que la pensée critique est un prérequis pour un apprentissage significatif assisté par l'IA générative plutôt qu'un sous-produit de celle-ci. Par conséquent, les auteurs soutiennent que les interventions éducatives doivent passer de la simple formation à l'utilisation des outils à la culture explicite des capacités d'évaluation critique et à l'établissement de politiques claires pour l'attribution de l'IA. Les résultats suggèrent que, sans un étayage pédagogique garantissant un engagement cognitif profond, l'IA générative peut faciliter l'achèvement des tâches tout en encourageant par inadvertance un traitement superficiel et un retard dans l'initiation des tâches.

Articles similaires