Enseignement de l'ingénierie

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

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

L'enseignement de l'ingénierie — l'étude de la manière dont les étudiants apprennent l'ingénierie et de la façon de l'enseigner efficacement, couvrant comment l'IA transforme la pédagogie, l'évaluation, le développement du corps professoral et la main-d'œuvre de l'ingénierie. Les articles sur l'enseignement de l'ingénierie dans cette base de connaissances se regroupent autour de plusieurs thèmes : le langage figuré qu'emploient les enseignants pour donner un sens à l'IA, la gouvernance éthique de l'usage de l'IA, l'évaluation incarnée et multimodale de la compréhension conceptuelle, et la manière dont l'IA remodèle la main-d'œuvre de l'ingénierie et de l'informatique.

Questions à examiner

L'ingénierie est une profession où les décisions des diplômés affectent la sécurité publique et les infrastructures. Si les étudiants comptent sur l'IA pour accomplir le travail de conception et de résolution de problèmes, qu'est-ce qui est en jeu et qui n'importerait pas dans une matière purement académique ?
Les enseignants d'un même département d'ingénierie ont souvent des modèles mentaux fondamentalement différents de l'IA — certains la voient comme un « agent » social, d'autres comme un « outil » technique. Comment ces cadrages divergents pourraient-ils changer ce que les étudiants apprennent à faire avec l'IA, selon l'enseignant qu'ils ont ?
L'apprentissage en laboratoire et l'apprentissage incarné ont longtemps défini l'enseignement de l'ingénierie. Si l'IA peut simuler, voire automatiser, des tâches de conception, l'expérience pratique compte-t-elle encore — ou perd-on quelque chose de réel lorsque la pratique devient simulée ?
Un axe de recherche évalue la compréhension en ingénierie en suivant les gestes des étudiants parallèlement à leur parole, et montre qu'un couplage étroit entre geste et parole signale une compréhension conceptuelle cohérente. Qu'est-ce que les mains d'un étudiant pourraient révéler sur sa compréhension, que ses mots seuls pourraient cacher ?
La recherche montre que les conseils éthiques sur l'IA en ingénierie sont majoritairement destinés aux étudiants et orientés vers la conformité, avec une faible responsabilité réciproque du corps professoral et des institutions. À qui devrait réellement incomber la sécurité de l'usage de l'IA en ingénierie ?

Introduction

La recherche sur l'enseignement de l'ingénierie est distinctive parce qu'elle se situe à l'intersection de la formation professionnelle et d'un contenu STIM rigoureux. Elle met l'accent sur la conception, la résolution de problèmes, l'apprentissage pratique et en laboratoire, le travail d'équipe, et la préparation des diplômés à la pratique professionnelle. La conception est aussi le terrain qu'elle partage avec l'enseignement du design, et les deux le divisent selon ce qui peut être vérifié : l'objet évalué en ingénierie admet des artefacts calculables et porte une responsabilité de sécurité publique, tandis que celui de l'enseignement du design est le processus d'atelier qui sous-tend l'artefact — croquis, itération, critique — la preuve même que les outils génératifs peuvent désormais produire sans le processus qui la produisait jadis. L'IA soulève ici des questions distinctives : l'expérience pratique et incarnée compte-t-elle encore lorsque l'IA peut simuler ou automatiser des tâches de conception ; les enjeux professionnels et éthiques de l'usage de l'IA (les décisions des ingénieurs affectent la sécurité publique, les infrastructures et la Durabilité) ; et la manière dont l'IA remodèle les compétences dont les diplômés ont besoin et la main-d'œuvre qu'ils intègrent.

Comment l'IA apparaît dans la recherche de la base de connaissances sur l'enseignement de l'ingénierie

La compréhension du corps professoral et le langage partagé : Gerhardt et collègues analysent les métaphores qu'emploient les enseignants d'ingénierie pour décrire l'IA, et constatent que la plupart la cadrent soit comme un « être social/agent » humain, soit comme un « outil technique », et que les enseignants d'un même département ont souvent des modèles mentaux fondamentalement différents. Parce que les métaphores construisent autant qu'elles contraignent la compréhension, ils soutiennent qu'un langage partagé et exact est essentiel pour l'développement éducatif et les discussions départementales sur l'IA.
L'éthique et l'usage responsable : Osunbunmi et collègues passent systématiquement en revue les études empiriques sur l'IA dans la formation d'ingénieur de premier cycle, et identifient sept formes récurrentes de conseils éthiques (transparence, responsabilité, indépendance et agence des étudiants, vie privée, intégrité académique, justesse/équité/biais, bienfaisance). Ils constatent que les conseils éthiques sont majoritairement destinés aux étudiants et orientés vers la conformité, la responsabilité réciproque du corps professoral et des institutions étant peu développée — une préoccupation qu'accroît l'enjeu direct de l'ingénierie pour la sécurité publique et le bien-être sociétal.
L'évaluation incarnée et multimodale : Morphew et collègues développent un cadre multimodal intégrant le suivi des gestes par vision par ordinateur à l'analyse de la parole par Grands modèles de langue (LLM), afin d'évaluer la compréhension conceptuelle des statistiques chez les étudiants en ingénierie, montrant que le geste ajoute une preuve diagnostique au-delà de la parole et qu'un couplage étroit entre geste et parole signale une compréhension cohérente.
La transformation de la main-d'œuvre : Fletcher et collègues passent en revue la littérature grise américaine sur l'IA et la main-d'œuvre de l'ingénierie et de l'informatique, en formulant le « Dual Train Problem » (changement rapide contre urgence des politiques) et en recommandant des compétences en IA durables, de l'éthique et de la gouvernance, ainsi que des titres fondés sur les compétences pour les rôles émergents.
L'adoption et la dépendance des étudiants : Nguyen et collègues étendent le modèle d'acceptation de la technologie par l'usage critique, pour modéliser la manière dont les étudiants en ingénierie et en informatique forment des intentions d'utiliser l'IA générative et dont cette intention prédit la dépendance selon les tâches de compréhension, d'évaluation, de programmation et de projet d'ingénierie — constatant une dépendance modérée et appropriée et un usage intensif pour les tâches liées à la compréhension, mais un usage limité pour la rédaction complète d'évaluations. Asag & Al Mamun intègrent le TAM à l'UTAUT pour modéliser l'adoption par des étudiants bangladais en ingénierie, expliquant 64% de la variance d'usage et soulignant la pertinence pour l'emploi, la démontrabilité des résultats et les normes subjectives comme facteurs clés.
La stratégie d'interrogation prédit la performance, et non le volume d'usage : parmi 128 étudiants en ingénierie de quatrième année, l'efficacité des requêtes adressées à l'IA et la résolution de problèmes pilotée par l'IA étaient les plus forts prédicteurs de la réussite scolaire, et sont demeurés significatifs après contrôle de la moyenne cumulative (Isaza Dominguez et al. (2026)).
Les métaphores propres des étudiants dépassent ce que livrent les outils : Kudina (2026) a montré que 100 étudiants en ingénierie valorisaient surtout les LLM pour le soutien à l'écriture, la clarification conceptuelle et le code, tout en les cadrant comme un « oracle » et un « tuteur » — une autorité et une personnalisation qu'un générateur de texte probabiliste ne peut pas fournir, un « optimisme cruel » qui dépend de compétences de vérification que les étudiants sont encore en train de bâtir.
Intégrer l'IA dans la discipline, et non à côté d'elle : un programme d'ingénierie thermique par projets a plié l'apprentissage automatique dans les sujets thermiques existants, aux niveaux introductif, appliqué et avancé, plutôt que d'ajouter des cours d'informatique, et des étudiants de premier cycle ne satisfaisant qu'aux exigences d'entrée minimales ont produit des projets plus faibles que leurs pairs de troisième cycle (Li et al. (2026)).
Le tutorat par l'IA et la rétroaction pour les cours d'ingénierie quantitatifs : Yin et al. (2026) présentent Arthur, un assistant d'enseignement par l'IA qui délivre une rétroaction personnalisée en temps réel sur des questions à formule calculée dans un cours d'économie de l'ingénierie de premier cycle — un domaine où des solutions manuscrites et non structurées ont jusqu'ici bloqué le soutien de l'IA. Son pipeline complet de cycle de vie (curation de soumissions manuscrites déjà notées, augmentation de données par masquage aléatoire, ossatures de diagnostic XGBoost par question, et interface web de banque de questions fondée sur le dialogue) offre une voie extensible pour une rétroaction par l'IA dans les cours d'ingénierie dépourvus de données numériques structurées, et le cadre est conçu pour se généraliser aux questions à formule calculée d'autres disciplines d'ingénierie.
L'IA pour la durabilité, intégrée plutôt que modulaire. Le cadre AI-SEE à quatre piliers (intelligence-driven, green-empowered, responsibility-leading, practice-integrated) répartit l'IA dans les travaux d'ingénierie ; dans un cas de 144 étudiants en ingénierie des transports, les étudiants ont rapporté un engagement aux niveaux personnel, académique, professionnel et social, le raisonnement sur la durabilité étant porté jusque dans les familles et les réseaux de pairs (Liu et al. (2026)).
Un atelier riche en outils peut déprimer l'auto-efficacité sans améliorer le produit. Dans un atelier de conception architecturale de 27 étudiants, les équipes employant un pipeline d'IA générative et de XR ont montré des déclins pré–post plus importants de l'auto-efficacité en conception (β = −1.675) et de l'attente de résultats (β = −2.088) que les contrôles, tandis qu'un casque par étudiant n'a produit aucune collaboration coordonnée (Xiao et al., 2026)).

Préoccupations caractéristiques

Les préoccupations caractéristiques de l'enseignement de l'ingénierie façonnent la manière dont l'IA est prise en charge : l'apprentissage pratique et en laboratoire (et ce qui est perdu lorsque l'IA simule la pratique), la formation professionnelle (responsabilité éthique, sécurité et impact sociétal), la conception et la résolution de problèmes (quelle part du travail cognitif l'IA devrait accomplir), et la préparation à la main-d'œuvre fondée sur les compétences. Elles font de l'enseignement de l'ingénierie un lieu riche pour étudier si l'IA augmente ou déplace le travail cognitif essentiel à l'expertise professionnelle — ce qui fait écho aux débats en physique, en mathématiques et en informatique.

Connexions avec les concepts apparentés

L'enseignement de l'ingénierie se situe au sein des STIM et rejoint fortement l'informatique (l'informatique et le génie logiciel), les mathématiques et la physique (les fondements mathématiques et physiques de l'ingénierie), la formation professionnelle et l'développement éducatif (la préparation de la main-d'œuvre et des enseignants), l'évaluation et l'éthique (les enjeux professionnels et évaluatifs de l'IA), et l'enseignement supérieur (le contexte institutionnel). C'est la discipline d'accueil des articles de la base de connaissances issus de l'ASEE.

Sous-domaines peu couverts

La couverture de l'enseignement de l'ingénierie par la base de connaissances est encore en développement. Les sous-domaines qui gagneraient à recevoir des articles supplémentaires incluent les pédagogies propres à des branches disciplinaires de l'ingénierie (génie mécanique, civil, chimique, électrique, logiciel et bio-ingénierie), le conception et l'éducation par la fabrication, le projet de synthèse et l'apprentissage par projets, et l'éducation à l'éthique de l'ingénierie — là où le rôle de l'IA est susceptible d'être particulièrement décisif.

Implications pour les enseignants d'ingénierie

Bâtissez un langage partagé et exact sur l'IA. La recherche sur les métaphores du corps professoral montre que les enseignants ont des modèles mentaux fondamentalement différents (agent contre outil) ; alignez la compréhension départementale avant de faire une politique.
Comblez l'écart entre éthique et responsabilité. Les revues sur l'éthique montrent que les conseils sont majoritairement destinés aux étudiants et orientés vers la conformité ; renforcez la responsabilité réciproque du corps professoral et des institutions, compte tenu de l'enjeu de l'ingénierie pour la sécurité publique.
Employez une évaluation multimodale et incarnée. L'évaluation geste + parole ajoute une preuve diagnostique au-delà du seul langage — prenez en compte les indices incarnés lorsque vous évaluez la compréhension conceptuelle.
Préparez les étudiants à la main-d'œuvre, et pas seulement au cours. Le Dual Train Problem exhorte à des compétences en IA durables, à de l'éthique et de la gouvernance, et à des titres fondés sur les compétences alignés sur les rôles émergents.
Modélisez l'usage critique et la dépendance appropriée. La recherche sur le TAM et l'usage critique montre que les étudiants dépendent fortement de l'IA pour les tâches de compréhension, mais moins pour l'évaluation — orientez-les vers une dépendance appropriée et vérifiable selon les types de tâches.
Enseignez l'usage de l'IA comme une compétence pendant le temps de classe. Geng et al. (2026) ont mené neuf démonstrations dirigées par l'enseignant, de 10 à 15 minutes chacune à la fin d'un cours, et séquencées de la littératie outil à la délégation stratégique puis à l'évaluation du modèle — mais les étudiants ne voyant aucun lien avec l'évaluation les ont jugées redondantes : il faut donc les rattacher à des travaux notés.

Concepts liés

Métadonnées

Discipline	Engineering Education, Stem Education
Niveau	Higher Ed
Public visé	Learners, Instructors, Faculty Developers
Apprentissage et enseignement	Apprentissage en milieu professionnel
Évaluation et mesure	Évaluation
Équité, éthique et usage responsable	L'éthique
Fondements de l'IA dans l'éducation	Littératie en IA, Le développement éducatif

Source History Edit Chat