Base de connaissances AIEdAIEd KB
Sur cette page

Cette page est traduite en français. Les pages d'articles sont encore rédigées en anglais. Lire cette page en anglais

Concepts

L'enseignement de l'informatique

Création 2026-08-09 · Mise à jour 2026-10-10

Cette page est une traduction automatique de la page anglaise, non relue par un locuteur natif.

L'enseignement de l'informatique (CS Education) — l'enseignement des sciences informatiques est le sous-domaine des STIM le plus étudié dans la base de connaissances, bénéficiant d'un alignement naturel entre les outils d'IA et les tâches de programmation. La génération de code, l'assistance au débogage et la revue de code automatisée en sont les principales applications de l'IA. Parce que les étudiants apprennent à construire les outils mêmes qu'ils utilisent, l'enseignement de l'informatique se situe au cœur des débats sur la littératie en IA, la refonte des programmes, l'ingénierie logicielle agentique, et la frontière entre l'apprentissage authentique et la dépendance excessive.

Questions à examiner

  • Si l'IA peut désormais écrire du code qui réussit de vrais examens de programmation, que reste-t-il aux étudiants à apprendre à faire à la main — et qu'est-ce que le programme devrait cesser d'enseigner ?
  • Les recherches ont montré qu'une plus grande confiance dans un assistant de codage par IA prédisait une capacité MOINDRE à distinguer les suggestions correctes des suggestions trompeuses. En quoi la confiance diffère-t-elle d'une dépendance appropriée, et comment enseigner cette dernière ?
  • Dans la coprogrammation étudiant-IA, près de 80 % des interactions reposaient sur des stratégies non apprenantes comme l'externalisation des réponses, et seulement environ 1 sur 9 faisait état d'un engagement épistémique profond. Pourquoi l'apprentissage authentique se produit-il si rarement par défaut lorsque l'IA est disponible ?
  • Un agent d'apprentissage par l'enseignement trop compétent minait la pratique du débogage par les étudiants. Rendriez-vous délibérément un tuteur IA faillible — et si oui, comment ?
  • À mesure que l'IA automatise l'implémentation, les programmes se déplacent de l'écriture du code vers la vérification et le pilotage d'artefacts générés par l'IA. Quelles nouvelles compétences cela exige-t-il, et qu'est-ce qui risque de se perdre dans ce déplacement ?
  • Les étudiants construisent les outils mêmes qu'ils utilisent. Qu'est-ce que le fait d'être à la fois constructeur et utilisateur de l'IA change à ce qu'ils devraient apprendre sur ses limites — et sur son éthique ?

Introduction

L'IA dans l'enseignement de l'informatique

  • Génération et complétion de code : la revue de code en CS1, DURA pour CS2, et les erreurs de programmation en langage naturel examinent comment les étudiants utilisent l'IA pour générer du code et ce qu'ils en apprennent.

  • Agents conversationnels pour les débutants (revue de portée) : Barzanji & Loitsch (2025) cartographient 23 études (2019–juin 2024) portant sur des agents conversationnels destinés aux programmeurs débutants, documentant un passage des chatbots à base de règles à des agents fondés sur les LLM et la RAG (génération augmentée par récupération) (avec une génération augmentée par la recherche documentaire réduisant le risque d'hallucination) et à un soutien tutoriel personnalisé (par ex. InfoBot, ProbSol-Bot, Lint Bot, Profe Alex). Fait notable, seules 4 études sur 23 fondent leur conception sur des théories de l'apprentissage, et 17 prototypes sur 23 sont uniquement en anglais alors que la plupart des recherches proviennent de pays non anglophones — ce qui signale un ancrage pédagogique faible et un déficit d'inclusivité pour la conception future d'agents conversationnels en programmation introductive.

  • Soutien au débogage : les outils de débogage, la collaboration humain-IA au débogage, et la modélisation dyadique en programmation en binôme exploitent l'IA pour l'identification et la réparation des erreurs.

  • Un tuteur augmenté d'outils et résidant dans le navigateur est l'architecture vers laquelle le domaine converge. Une conception de SLM augmenté d'outils associe un petit planificateur affiné (1B–7B) à quatre outils déterministes — exécuteur de code, lanceur de tests, récupérateur de documentation, module de traçage des connaissances — derrière une politique d'escalade à quatre niveaux (outils d'abord, SLM sur l'appareil, LLM infonuagique avec consentement, enseignant), déplaçant le contrôle pédagogique du modèle vers la politique auditable ; un modèle de complétion préliminaire d'environ 150 M atteint 10,97 % de réussite HumanEval pass@1, au-dessus de plusieurs références de code de 100 M à 150 M (Suvernev et al. (2026)).

  • Un petit tuteur affiné peut mieux étayer qu'un modèle généraliste plus grand. L'ajustement fin de Qwen2.5-Coder-7B-Instruct sur 1 213 dialogues tutoriels synthétiques a fait tomber la divulgation prématurée de la solution de 7,43 % à 1,88 % des tours du tuteur et a élevé la qualité de l'étayage pas-à-pas et des questions de débogage au-dessus de celle de GPT-4o, bien que la génération fiable de plans pédagogiques soit restée le problème ouvert (Kopytskyi et al. (2026)).

  • Évaluation automatisée : la notation de commandes Linux Bash, une comparaison de notation à 18 modèles à grande échelle, et la revue des interventions par LLM évaluent l'évaluation automatisée du code. La sécurité de ce flux de travail est une question distincte : Humble (2026) a soumis une tâche de notation par IA de routine à un exercice d'équipe rouge et a constaté que des instructions cachées dans un fichier soumis faisaient monter la note d'une dissertation initialement insuffisante, sans avertissement visible, dans 9 itérations sur 9 pour une stratégie et 17 sur 18 pour une autre — la preuve que la robustesse du correcteur appartient à la liste de contrôle de la validité de l'évaluation au même titre que la précision.

  • Une seule phrase d'invite peut faire s'effondrer un LLM correcteur, et l'ajustement fin le répare. Habibullah et al. (2026) ont noté un examen pratique de vision par ordinateur (570 étudiants notés par deux correcteurs) selon 171 configurations et un examen d'apprentissage automatique (1 038 étudiants) selon 162 autres : un court préambule de « correcteur strict » a fait sortir 14 des 17 modèles à poids ouverts de la bande de notation (MAE ≥ 8), trois d'entre eux cessant purement et simplement de noter, et le dommage s'est révélé imputable à deux phrases de politique de retenue de crédit dont la direction ne se transférait pas au second examen (sept modèles se sont améliorés). Un unique adaptateur LoRA sur environ 3 900 exemples notés mutualisés a ramené cinq petits modèles ouverts à la parité avec un correcteur humain.

  • Supports d'apprentissage générés par l'IA : les traces animées générées automatiquement montrent que les visualisations produites par l'IA peuvent aider l'apprentissage immédiat, mais doivent être personnalisées — les étudiants d'un niveau intermédiaire ont connu une baisse de performance compatible avec l'effet d'inversion de l'expertise.

  • La critique d'analogies générées par l'IA comme ressource pédagogique : Bernstein & Sibia (2026) fondent la réception des analogies produites par l'IA générative sur un contexte CS2 : dix étudiants ayant déjà suivi CS2 ont audité des analogies générées par l'IA portant sur les listes chaînées et la récursivité, et ont rejeté les correspondances qui ne respectaient pas la correspondance structurelle — une analogie du trajet entre îles qui renvoyait à une liste chaînée circulaire plutôt que simplement chaînée, ou un échange de badminton proposé pour la récursivité malgré l'absence de toute entrée garantie décroissante, un étudiant proposant le golf à la place. Les auteurs soutiennent que la critique des analogies constitue elle-même une vérification de la compréhension conceptuelle, ce qui fait des analogies défectueuses de l'IA une ressource pédagogique utilisable plutôt qu'un danger à filtrer, et ils recommandent de les assigner comme objets à inspecter et à réparer.

  • Modélisation des idées fausses : une taxonomie des idées fausses sur les conditions et les boucles donne aux systèmes automatisés un vocabulaire précis pour diagnostiquer les erreurs de débutants.

  • Idées fausses stratégiques générées par les modèles : Miličević et al. (2026) ont construit SocraticTrap-CS autour de 35 concepts du programme ACM/IEEE CS2023 — algorithmes, langages de programmation, bases de données, réseaux et systèmes d'exploitation — et ont demandé à sept modèles à poids ouverts une explication fluide et faisant autorité, reposant sur une erreur subtile. Six des sept ont produit une idée fausse stratégique confirmée par des experts pour 91 % ou plus des concepts proposés (221 segments sur 241, soit 91,7 %), sans différence significative entre les domaines de l'informatique ; les erreurs conceptuelles dominaient (66,5 % conceptuelles contre 33,5 % factuelles, et aucune purement logique), et tant la force de persuasion que le type d'erreur variaient selon le domaine. Les auteurs recommandent donc des contre-mesures sensibles au domaine — des vérifications centrées sur le raisonnement dans les cours très programmatiques, un recoupement avec les spécifications de protocole en réseautage — et une évaluation de l'génération automatisée de questions et des explications rédigées par l'IA sur leur fiabilité pédagogique plutôt que sur leur seule exactitude.

  • Performance en évaluation authentique : Lepp & Kaimre (2026) montrent que les systèmes d'IA générative de 2026 dépassent la cohorte étudiante moyenne sur des évaluations authentiques d'introduction à la programmation orientée objet, et obtiennent fréquemment le maximum sur des tâches de programmation plus longues, tout en éprouvant encore des difficultés avec les interfaces, les classes abstraites, l'héritage et les questions fondées sur des images — des régularités d'erreur que les enseignants peuvent exploiter pour concevoir leurs évaluations. Une étude longitudinale en CS1 renforce le versant capacitaire de ce constat : Ye et al. (2026) ont mesuré les modèles de pointe entre 98,93 et 99,99 % sur les travaux pratiques, contre 76,37 à 88,03 % pour les travaux soumis par les étudiants.

  • Modélisation prédictive pour le soutien aux étudiants à risque : Zhang, Jeffries & Koprinska (2025) montrent que des arbres de décision intrinsèquement interprétables, entraînés sur des caractéristiques de journaux d'interaction avec les contenus, prédisent avec précision la progression au niveau des modules dans des cours de programmation en ligne à grande échelle (85–91 % de précision sur quatre cours de la maternelle à la terminale, K-12) et signalent les abandons marqués par l'absence de soumission, offrant aux éducateurs une fenêtre de 7 à 8 jours pour intervenir auprès d'apprenants en difficulté et désengagés avant les échéances de module — complétant ainsi les travaux sur la notation automatisée et la prédiction de l'abandon mentionnés plus haut.

  • Le soutien augmenté par la recherche documentaire en informatique théorique ne convient qu'à l'étude asynchrone. AlgoRAG a répondu aux 179 questions d'examen rédigées par les enseignants dans le délai imparti de 240 secondes, avec une moyenne de 38,0 secondes par question, et son BLEU-4 de 0,0000 sur l'ensemble est une propriété de l'appariement par n-grammes sur des démonstrations mathématiques plutôt qu'une défaillance du système (Adhikari (2026)).

  • L'adoption suit le devoir, pas le sous-domaine. Sur sept devoirs et 211 étudiants, Nizamani et al. (2026) ont mesuré l'usage des LLM de 89,6 % en algorithmique à 15,2 % en génie logiciel, attribuant cet écart à la complexité du devoir, à sa vérifiabilité et à l'étayage plutôt qu'à la matière elle-même.

  • La rétroaction peut être étagée pour que le diagnostic reste caché. Riazi & Rooshenas (2026) séparent un diagnostic du schéma de base de données d'un étudiant, ancré dans l'artefact, du flux de travail qui le restitue, les éducateurs en rédigeant les étapes ; sur 383 épisodes, 71,1 % des rétroactions ont atteint leur niveau cible.

Pédagogie de la programmation : des blocs à l'apprentissage incarné et par le jeu

L'enseignement de la programmation s'étend de la programmation visuelle par blocs pour débutants au développement logiciel avancé, et ancre de plus en plus le code abstrait dans des résultats concrets et observables.

  • Programmation visuelle par blocs : des environnements comme Scratch et Blockly permettent aux débutants d'assembler des blocs graphiques plutôt que de taper du texte, éliminant les erreurs de syntaxe et rendant la structure du programme visible — particulièrement précieux pour les jeunes apprenants et pour le pilotage de robots éducatifs. À l'ère de l'IA, ils sont de plus en plus combinés avec des agents d'IA conversationnels (par ex. Micro:bit + MakeCode dans la formation des enseignants, des tuteurs à petits modèles de langue).
  • Programmation par blocs incarnée : RoboBlockly Studio combine la programmation par blocs avec un agent d'enseignement conversationnel par IA et l'exécution sur un robot incarné, créant une boucle itérative d'écriture-exécution-observation-révision qui préserve l'autonomie de l'apprenant.
  • Pilotage de robots en langage naturel : EduSim-LLM permet aux débutants de piloter des robots simulés par des instructions en langage naturel, abaissant la barrière à la programmation de robots sans exiger d'expertise en code de bas niveau.
  • Robotique et pensée computationnelle : Valls i Pou relie la pensée computationnelle à la robotique éducative dans les programmes STEAM du secondaire, et les recherches sur la formation des enseignants soutiennent que les activités de robotique et d'apprentissage automatique devraient être intégrées à la formation des enseignants.
  • Apprentissage par le jeu et ludification : une revue systématique compare l'apprentissage par le jeu (adapté aux cadres informels) et la ludification (adaptée aux classes formelles) dans l'éducation à la robotique, domaine qui met l'accent sur la programmation introductive et les kits modulaires.
  • Robotique par projets : Bots and Blocks enseigne la programmation de robots à travers un projet agile s'étendant sur un semestre, comblant le fossé théorie-pratique dans l'enseignement supérieur.
  • Impact des LLM sur les résultats d'apprentissage : Jošt et al. (2024) et une méta-analyse de l'IA générative et de l'apprentissage de la programmation examinent si les outils assistés par l'IA aident ou nuisent à la réussite en programmation.

Transformation des programmes à l'ère de l'IA

La question « que les étudiants devraient-ils encore apprendre à faire à la main ? » refaçonne désormais les programmes d'informatique.

  • De l'implémentation à la vérification : Reshaping Undergraduate CS Education soutient qu'à mesure que l'IA générative automatise la programmation, le débogage et les tests au niveau de l'implémentation, les programmes doivent se tourner vers la compréhension et la vérification des artefacts générés par l'IA, en préservant la conception de systèmes, l'abstraction et l'évaluation critique tout en délaissant les détails d'implémentation de bas niveau. Cela s'aligne sur les cadres d'littératie en IA qui prisent l'évaluation par rapport à la génération.

  • L'ingénierie logicielle agentique comme discipline : ASE-26 formalise le pilotage d'agents plutôt que l'écriture de code — enseignant l'auditabilité, l'ingénierie du contexte, la vérification, les flux de travail multi-agents et l'AgentOps — et positionne la compétence en IA agentique comme un programme structuré et étayé plutôt que comme la maîtrise de la syntaxe.

  • De la production au jugement : la dette de compréhension et AASEE. Mahmoud (2026) soutient que le domaine devrait passer d'un modèle centré sur la production à un modèle centré sur le jugement, et étend la notion de dette de compréhension — l'apprentissage différé et le coût de maintenance qu'entraîne une production assistée par l'IA dépassant la capacité d'un apprenant à expliquer, tester, modifier et justifier le logiciel — à une grille d'évaluation, fondée sur 621 journaux réflexifs tenus par 207 étudiants. La revue affine le cadre AASEE en cinq niveaux d'intégration non linéaires croisés par quatre obligations de preuve — expliquer, vérifier, modifier et rendre compte — et rend compte d'une base de preuves conditionnelle : une méta-analyse sur les STIM d'une hétérogénéité extrême (I² = 96,32 %) perd son bénéfice poolé dès que le biais de publication est corrigé, et des synthèses portant sur 76, 72 et 64 études montrent des gains d'efficacité à court terme qui ne se transfèrent pas à la performance sans aide.

  • Nouvelles pédagogies et modèles d'évaluation : l'apprentissage assisté par l'IA piloté par les tests remplace les cours magistraux par une étude autodirigée assistée par l'IA, conditionnée par des tests hebdomadaires à livre fermé, préservant la responsabilité individuelle tandis que des agents d'IA assurent la production et la notation des matériaux sous supervision humaine.

  • Enseigner les mécanismes du modèle hors ligne. Une suite de ressources pour praticiens enseigne le pipeline complet d'entraînement puis de génération d'un LLM sans connexion — des grilles de n-grammes comptées à la main et un échantillonnage aux dés, sans présupposer de programmation ni de mathématiques — et rend compte d'une diffusion à environ 400 participants, l'engagement ne débutant qu'à l'étape de génération (Swift (2026)).

  • Ce qui prédit la réussite en programmation intuitive — et ce qu'il faut continuer d'enseigner : une étude CHI 2026 préenregistrée (N=100) portant sur du vibe coding pur « sans code » a montré que la réussite en informatique (r = .39) et la compétence en communication écrite (r = .29) prédisaient indépendamment la performance, la réussite en informatique demeurant significative même après contrôle des capacités cognitives générales et contribuant environ au double de la variance unique de la compétence rédactionnelle. Parce que l'environnement masquait le code généré, la connaissance en informatique ne pouvait aider qu'indirectement (décomposition du problème, pensée algorithmique) — ce qui fait de l'estimation pour l'informatique une borne inférieure pour les flux de travail assistés par l'IA qui autorisent aussi l'édition. Les auteurs soutiennent que les programmes devraient peser la communication écrite autant que les fondamentaux d'informatique, plutôt que de traiter le vibe coding comme une maîtrise de la syntaxe rendue obsolète.

Littératie en IA, autonomie et risque de dépendance excessive

Parce que la programmation est le domaine où l'assistance par l'IA est la plus puissante, c'est aussi celui où ses modes d'échec sont les plus visibles.

  • La confiance n'est pas une dépendance appropriée : Trust and reliance on AI (Pitts et al.) montrent qu'une plus grande confiance dans un assistant d'IA prédisait une moindre capacité à discriminer les suggestions correctes des suggestions trompeuses pendant la résolution de problèmes en Python — avec un effet modérateur de l'littératie en IA et du besoin de cognition. La calibration, et non la confiance, est l'objectif.

  • La littératie en IA épistémique : Wu (2026) montre que, dans la coprogrammation étudiant-IA, 78,8 % des interactions reposaient sur des visées non orientées vers la maîtrise et des stratégies peu fiables (externalisation, recherche de vérification), seules 11,1 % faisant état d'un engagement épistémique élevé — l'apprentissage authentique émerge rarement sans un soutien délibéré de la conception.

  • Les requêtes adressées à l'IA sont étroites et calquées sur les schémas de génération. En classant 830 invites de CS2 selon la taxonomie de Graesser, Amoozadeh et Alipour (2026) ont constaté que les invites d'assertion, de vérification et instrumentales dominaient dans les deux sessions, et que les étudiants de première génération universitaire posaient moins de questions et s'appuyaient sur la vérification, tandis que leurs camarades en poursuite d'études utilisaient l'IA comme un partenaire actif de résolution de problèmes.

  • Interventions structurelles contre la dépendance excessive au copier-coller : des barrières douces au copier-coller en programmation assistée par IA évaluent des interventions de conception légères (par ex. des mécanismes qui découragent le copier-coller aveugle des sorties de l'IA) et montrent qu'elles peuvent réduire la dépendance excessive sans bloquer l'assistance par l'IA — la preuve que le risque de dépendance excessive dans l'enseignement de l'informatique est sensible à des correctifs de conception pédagogique, et pas seulement à l'éducation de l'apprenant ou aux interdictions.

  • Agents enseignables et pratique productive : l'apprentissage par l'enseignement avec ChatGPT a amélioré les gains de connaissance et la qualité du code, mais a miné la pratique de la correction d'erreurs parce que l'agent est trop compétent — une leçon de conception : rendez les agents délibérément faillibles pour préserver le débogage.

  • Gouvernance de l'assistance : une revue de portée de 90 systèmes introduit le cadre PEA (Policy, Enforcement, Authority) pour encadrer et contrôler l'assistance par LLM — un vocabulaire comparatif pour concevoir un étayage qui limite la dépendance excessive.

  • L'adéquation de la gouvernance, non la sévérité. Dickey (2026) propose un profil de gouvernance à six dimensions — ancrage pédagogique, autorité pédagogique de l'IA, responsabilité humaine, autonomie de l'apprenant, frontières contextuelles et visibilité de l'évaluation — et montre, sur sept outils internes et quatre systèmes de programmation publiés, qu'un même modèle peut distribuer très différemment l'autorité et la responsabilité ; ce qui prédit une mise à l'échelle responsable est l'adéquation de la gouvernance à la fonction pédagogique, et non le degré de sévérité de l'outil.

  • Contexte comportemental pour le tutorat adaptatif par IA : Barron et al. (2026) présentent TutorTrace, un jeu de données et un pipeline qui rendent calculable en temps réel le contexte comportemental des apprenants à partir de la télémétrie d'IDE dans des cours de Python assistés par IA (N=480). Il en dérive une taxonomie des activités avant, entre et à travers les requêtes à l'IA, et peut déterminer si une requête à venir traduit une recherche d'aide guidée ou dépendante (AUROC=.717) et prédire les requêtes imminentes (AUROC=.726) ; des invites sensibles au comportement ont réduit les intervalles de requêtes sans travail indépendant de 50,0 % à 20,7 % dans une évaluation préliminaire. Cela montre comment la télémétrie comportementale peut rendre les tuteurs de programmation par IA adaptatifs à l'effort réel des apprenants, et pas seulement à leurs demandes explicites.

  • La dualité de la construction de ce que l'on utilise : la position singulière des étudiants en informatique crée à la fois une prise de conscience métacognitive des limites de l'IA et un risque réel de dépendance excessive au code généré par l'IA. Les entretiens sur la revue de code et les études sur l'engagement critique traitent directement cette tension.

  • Le codage agentique et la compréhension en apprentissage par projets en équipe : Tanaka et al. (2026) ont introduit le développement piloté par les spécifications (Spec-Driven Development) avec des agents d'IA dans un cours de projet de génie logiciel de premier cycle, et ont constaté que le débit d'implémentation (lignes de code ajoutées) avait augmenté entre 2022 et 2025, tandis qu'un usage intensif de l'IA coïncidait avec des creux de compréhension du code qui ne se résorbaient qu'après des vérifications individuelles par l'enseignant — la preuve directe que les gains de débit ne garantissent pas la compréhension, et que la dépendance excessive au codage assisté par IA est sensible à un suivi pédagogique.

Équité, culture et accès à l'informatique

  • Élargir la participation : SuaCode documente les motivations à coder sur smartphone chez les étudiants africains (moins de 1 % des sortants du secondaire ont des compétences fondamentales en codage), informant la conception de MOOC accessibles assistés par l'IA pour des contextes à faibles ressources.
  • Neurodivergence et collaboration : les étudiants en informatique neurodivergents déclarent un malaise face à des structures de collaboration ambiguës ; des devoirs structurés, des équipes réduites et stables et des rôles explicites améliorent l'accessibilité — des leçons de conception pour les outils d'IA qui entrent dans les classes d'informatique.
  • La culture façonne l'éthique perçue : les étudiants en informatique canadiens et sud-coréens ont jugé différemment des pratiques de codage assisté par l'IA identiques, malgré des politiques fonctionnellement identiques — l'harmonisation des politiques ne produit pas l'harmonisation des perceptions, ce qui constitue une préoccupation d'intégrité académique et d'équité.
  • La transparence dans la collaboration : perception étudiante de l'usage de l'IA en collaborationudent-perception-ai-use-collaboration|Graf et al.] constatent que des croyances divergentes des partenaires sur l'usage de l'IA par leurs pairs prédisent des scores de projet plus faibles, en particulier chez les étudiants les moins performants — des mécanismes de transparence (divulgations, journaux partagés) peuvent être nécessaires en programmation collaborative.

Éducation à l'éthique et monde du travail

  • Le fossé entre éthique enseignée et comportement : la « Cost-of-Ethics Crisis » montre que les étudiants en informatique, malgré une éducation éthique contemporaine, privilégient la rémunération, la localisation et la culture d'entreprise aux considérations éthiques dans leurs recherches d'emploi — un manque critique dans la manière dont l'enseignement de l'éthique se transfère au comportement.
  • La recomposition du monde du travail : une revue systématique de la littérature grise américaine formule le « Dual Train Problem » — l'évolution rapide de l'IA courant contre l'adaptation institutionnelle — et appelle à des compétences durables en IA, en éthique et gouvernance, et à des attestations fondées sur les compétences alignées sur les rôles émergents (par ex. l'ingénierie des invites, l'audit d'IA, la politique en matière d'IA).

Connexions

L'enseignement de l'informatique se relie à la pensée computationnelle, à l'enseignement des STIM, à l'notation automatisée, à l'ingénierie des invites, à l'littératie en IA, à l'IA agentique, à la conception de programmes, à la collaboration humain-IA, à l'enseignement supérieur, à l'école primaire et secondaire et à la formation professionnelle. Son voisin appliqué le plus proche est l'enseignement des technologies de l'information : l'enseignement de l'informatique prend le programme et l'algorithme pour objet, tandis que l'enseignement des technologies de l'information prend le système organisationnel déployé et le jugement du praticien sur celui-ci — ce qui explique pourquoi les deux domaines débattent de préjudices différents de l'IA, selon que la génération de code érode la compétence en programmation ou que le dépannage assisté par IA érode la compétence de diagnostic, et posent à leurs diplômés des questions différentes, selon qu'ils savent construire un système ou gouverner les systèmes qu'ils administrent. C'est le domaine où les outils d'IAED sont à la fois utilisés et construits, ce qui en fait un banc d'essai pour le tutorat intelligent, la robotique éducative, l'apprentissage collaboratif, l'apprentissage par le jeu et les risques de dépendance excessive.

Une synthèse de 72 études et le cadre VIE. Kumar, Wongsirichot et Nanthaamornphong (2026) ont passé en revue la littérature empirique sur l'IA générative dans l'enseignement de l'informatique et de la programmation (janvier 2022 – avril 2026, 72 études, 33 lieux de publication) et mis au premier plan exactement la caractéristique structurelle qui rend la discipline singulière : l'IA génère l'artefact évaluable lui-même, si bien que l'usage de l'outil, l'apprentissage de la compétence et l'évaluation se confondent en une seule frappe au clavier. Leur synthèse de 14 thèmes montre que l'effet le plus répliqué du domaine — les gains d'efficacité et d'achèvement à court terme (36 études) — est aussi le plus trompeur : ces gains ne se transfèrent pas à la performance sans aide (21 études), et la connaissance préalable module si l'assistance devient une compétence durable ou une béquille. Les recherches sur la détection sont minces (3 études) tandis que la refonte des cours est relativement bien étayée (25 études), et la revue consolide le corpus en trois exigences de conception interdépendantes — Verification, Implementation et Equity — où l'engagement critique envers les sorties de l'IA doit être une composante notée et observable du travail de l'étudiant, et non une aspiration laissée à sa discrétion (étayage, validité de l'évaluation).

Implications pour les enseignants d'informatique

  • Concevez des évaluations que l'IA ne peut pas traverser sans effort. Exploitez les régularités d'échec récurrentes de l'IA générative (interfaces, classes abstraites, héritage, tâches fondées sur des images) plutôt que d'interdire purement et simplement les outils — les systèmes d'IA générative y échouent encore.

  • Les devoirs à emporter notables automatiquement n'ont opposé aucune résistance à l'achèvement. Kaltchenko & Tiwana (2026) ont lancé 50 sessions ChatGPT par devoir Qiskit, et les 150 artefacts produits se sont tous exécutés et ont passé le correcteur, parce que la personnalisation faisait varier les paramètres plutôt que la structure de la tâche ; le remède est l'évaluation directe de la compréhension — modification supervisée ou soutenance orale.

  • Calibrez la confiance, ne vous contentez pas de la bâtir. Les recherches sur la confiance et la dépendance montrent qu'une plus grande confiance prédisait une moindre capacité à discriminer les suggestions trompeuses de l'IA ; enseignez la vérification et l'évaluation critique, avec un effet modérateur de la littératie en IA et du besoin de cognition.

  • Gardez vivants le débogage et la difficulté productive. Choisissez des outils ou des agents délibérément faillibles (l'apprentissage par l'enseignement) qui préservent la pratique de la correction d'erreurs, et personnalisez les supports générés par l'IA pour éviter les effets d'inversion de l'expertise (inversion de l'expertise).

  • Gouvernez explicitement l'assistance par l'IA. Définissez la politique, l'application et l'autorité pour le soutien par LLM (PEA) plutôt que de laisser les frontières implicites.

  • Faites évoluer les programmes vers la vérification et le pilotage d'agents. À mesure que l'IA générative automatise l'implémentation, enseignez la compréhension et la vérification des artefacts de l'IA (refaçonner les programmes) et les compétences structurées d'ingénierie logicielle agentique (ASE-26).

  • Structurez la collaboration pour tous les apprenants. Des équipes réduites et stables, des rôles explicites et la transparence sur l'usage de l'IA soutiennent les étudiants neurodivergents et une collaboration équitable, en particulier là où des croyances divergentes sur l'usage de l'IA abaissent les scores de projet.

  • Explications adaptatives par LLM des erreurs de programmation (2026) : une étude participative (N=103) a montré que les messages d'erreur réécrits par LLM améliorent la lisibilité, mais que la performance objective au débogage dépend de l'adéquation du style d'explication (pragmatique ou contingent) à la compétence du programmeur — un aperçu d'étayage pour l'enseignement de la programmation assistée par IA (Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors).

Concepts liés

Articles liés

Ressources liées

  • LiaScript
    Un dialecte Markdown ouvert qui transforme un simple fichier texte en cours interactif dans le navigateur, avec quiz et code exécutable, plus un assistant multi-agents pour construire des cours avec lui.

Métadonnées

DisciplineStem Education, Cs Education
NiveauHigher Ed, K 12
Technologies et techniquesL'IA générative, Grands modèles de langue (LLM), L'ingénierie des invites
Évaluation et mesureÉvaluation automatisée
Fondements de l'IA dans l'éducationLittératie en IA, Pensée informatique
SourceHistoryEditChat

Intégrer cette page

Copiez le code ci-dessous pour intégrer cette page dans un système de gestion de l'apprentissage ou un autre site. La version intégrée n'affiche que le contenu de la page : l'en-tête, la navigation et le pied de page du site sont masqués.