Apprentissage par la recherche (Inquiry-Based Learning)

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'apprentissage par la recherche (inquiry-based learning, IBL) — une pédagogie centrée sur l'apprenant dans laquelle les étudiants développent leur compréhension en posant des questions, en explorant de manière autonome et en construisant des connaissances à travers un cycle de recherche, de réflexion et de révision, l'enseignant jouant un rôle d'étayage plutôt que de conférencier. À l'ère de l'IA, la structure de l'IBL, guidée par les questions et centrée sur l'exploration, est devenue un point focal : les outils d'IA générative et les Grands modèles de langue (LLM) peuvent servir de « co-chercheurs » interactifs qui soutiennent le questionnement et l'investigation — mais uniquement lorsqu'ils sont conçus pour préserver plutôt que contourner le travail cognitif de la recherche.

Questions à examiner

L'apprentissage par la recherche est centré sur les questions portées par l'étudiant et sur le processus de recherche lui-même. En quoi apprendre à partir de sa propre question diffère-t-il d'apprendre à partir de la question de quelqu'un d'autre ?
La page demande si l'IA agit comme un « co-chercheur » qui soutient votre investigation ou comme un substitut qui contourne le travail cognitif. Quand vous utilisez l'IA pour explorer une question, qui mène la recherche ?
Les données probantes sur la recherche assistée par IA sont contrastées : elle a amélioré la performance créative et les attitudes, mais pas la résolution de problèmes critique dans une étude, et approfondi la compréhension conceptuelle sans renforcer la littératie en IA dans une autre. Qu'est-ce que cela suggère sur ce que l'IA seule peut et ne peut pas développer ?
Si traiter les productions de l'IA comme faisant autorité expose à une dépendance excessive et à des conclusions superficielles, comment apprendriez-vous aux étudiants à évaluer les réponses générées par l'IA dans le cadre du cycle de recherche ?
La page rattache la recherche à l'échec productif — les apprenants explorent avant l'enseignement, de sorte que la difficulté elle-même prépare l'apprentissage. Comment une IA qui retient ses réponses et sollicite de multiples tentatives pourrait-elle soutenir cette difficulté plutôt que la supprimer ?
Quel est le rôle du facilitateur lorsque l'IA abaisse le coût de formulation des questions ? Si les étudiants peuvent obtenir des réponses instantanément, que reste-t-il à l'enseignant à étayer qu'il n'avait pas besoin d'étayer auparavant ?

Introduction

L'apprentissage par la recherche est centré sur les questions portées par l'étudiant et sur le processus de recherche lui-même, passant généralement par des phases (orientation → conceptualisation → investigation → discussion → conclusion). C'est la famille plus large sous laquelle l'apprentissage par problèmes et l'apprentissage par projets sont souvent rangés : l'IBL met l'accent sur le processus de questionnement et de découverte, l'apprentissage par problèmes sur le problème mal structuré, et l'apprentissage par projets sur l'artefact tangible.

Comment l'apprentissage par la recherche apparaît dans la base de connaissances

L'IA comme co-chercheur. Une revue systématique de ChatGPT pour l'apprentissage par la recherche en STIM (The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education, 24 études) a montré que ChatGPT était utilisé principalement dans les phases de conceptualisation, d'investigation et de discussion — comme outil d'apprentissage, tuteur, pair d'apprentissage, expert du domaine et assistant d'enseignement — améliorant la performance, la pensée critique, l'engagement et la motivation, tout en posant des risques de dépendance excessive, d'hallucination et de conclusions superficielles lorsque les productions sont traitées comme faisant autorité.

La formulation de problèmes comme point de départ. Une quasi-expérience menée auprès de 97 élèves de troisième année (Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science) a montré que les agents conversationnels d'IA générative surpassaient significativement les moteurs de recherche pour la formulation de problèmes scientifiques, améliorant la qualité des questions et produisant des réseaux épistémiques plus intégrés tout en réduisant la charge cognitive.

Configurations de niveaux cognitifs dans l'IBL piloté par les LLM. Une étude exploratoire portant sur 117 transcriptions d'entretiens et enregistrements d'interactions (Luo et al.) a identifié 14 configurations d'interaction réparties sur les niveaux cognitifs de la taxonomie de Bloom, montrant comment les connaissances antérieures des étudiants façonnent l'usage des LLM et soulignant la nécessité d'un étayage ciblant les stades de pensée d'ordre supérieur et atténuant la dépendance excessive.

Les données probantes sur les résultats sont contrastées. Une expérience d'IBL assistée par IA en mathématiques (Mujib et al.) a amélioré la performance mathématique créative et les attitudes, mais pas les compétences de résolution critique de problèmes — ce qui suggère que l'IA-IBL soutient principalement la créativité et le développement affectif. Une méta-analyse de 29 expériences (Zhao et al.) a montré que l'IA générative a un effet positif modéré sur la pensée d'ordre supérieur, plus fort pour la résolution de problèmes, avec des interventions de 8 à 16 semaines, les apprenants les plus autorégulés en bénéficiant le plus. Une quasi-expérience menée auprès de 48 enseignants de sciences en formation initiale en Turquie (Aydın) utilisant un programme de recherche guidée assistée par IA de 8 semaines (intégrant l'apprentissage par problèmes et par la conception) a mis en évidence des gains significatifs selon l'interaction groupe × temps dans la compréhension conceptuelle de la photosynthèse et de la respiration cellulaire, mais aucun effet significatif sur la littératie en IA ou sur la pensée computationnelle auto-perçue — ce qui montre que l'IA-IBL peut approfondir la compréhension disciplinaire tandis que le développement des compétences en IA et en pensée computationnelle exige une conception plus explicite et plus ciblée.

Gousopoulos (2026) a isolé la contribution de l'IA de celle de la recherche elle-même dans une étude climatique à trois groupes : la recherche assistée par IA a dépassé les pairs en recherche seule sur la prise de décision (d = 0.69), avec les gains les plus importants pour le suivi et la gestion adaptative (d = 1.37), tandis que la collecte élémentaire de données s'améliorait également dans toutes les conditions.

Équité et contexte. Un cadre conceptuel relie la conception participative d'IA générative aux pratiques éducatives ouvertes pour soutenir l'enseignement des STIM guidé par la recherche dans des contextes sous-dotés, en utilisant des simulations générées par IA, multilingues et contextuellement pertinentes.

Comparaison de données probantes étayée par l'IA. An et ses collègues (2026) montrent comment un système d'extraction d'informations alimenté par l'IA fait passer la revue de littérature de premier cycle de la synthèse à l'organisation et à la comparaison des données probantes — les étudiants passant d'une lecture isolée à la comparaison inter-études et à la justification fondée sur les données probantes, au service de l'apprentissage par la recherche et de la rédaction du mémoire. Cela concrétise la manière dont l'IA peut étayer les processus de recherche dans la recherche de premier cycle en STIM.

Pourquoi l'apprentissage par la recherche importe pour l'intégration de l'IA

La structure de l'IBL, guidée par les questions et centrée sur le processus, est le terrain naturel d'un usage productif de l'IA : les étudiants apprennent avec l'IA comme partenaire plutôt que d'elle comme substitut. Les données probantes de la base de connaissances convergent vers une tension centrale — l'IA peut abaisser le coût de la recherche d'informations et de la formulation des questions (en réduisant la charge cognitive et en permettant une réflexion plus approfondie), mais sans étayage conceptuel elle expose à la dépendance excessive et au contournement de la cognition d'ordre supérieur. Le rôle du facilitateur, la conception des étayages et l'enseignement explicite des compétences d'évaluation sont les leviers qui déterminent si l'IA approfondit ou déplace la recherche.

L'échec productif et la recherche

L'échec productif (productive failure, PF) est le cousin le plus structuré de l'apprentissage par la recherche : les apprenants explorent des problèmes et génèrent des solutions avant l'enseignement direct, puis consolident. Les deux partent du principe que les tentatives générées par l'apprenant (même ratées) activent les connaissances antérieures et préparent les apprenants à apprendre de l'enseignement. La recherche sur l'échec productif à l'ère de l'IA précise comment l'IA devrait étayer la recherche sans la court-circuiter : Kim et al. (2026) dérivent des principes de conception de l'IA pour préserver la difficulté à travers l'exploration de problèmes et la génération de solutions ; Puech et al. (2025) montrent que les tuteurs LLM peuvent être pilotés pour retenir leurs réponses et solliciter de multiples tentatives ; les tâches clue-before-correction illustrent un étayage fondé sur les indices (plutôt que direct) qui maintient l'apprenant dans le raisonnement. Ces travaux relient la recherche et l'échec productif à l'impératif plus large selon lequel l'IA ne doit pas supprimer les difficultés souhaitables par lesquelles se forme l'apprentissage durable.

Dans les contextes d'apprentissage sur le terrain, le même impératif devient spatial : l'IA générative peut pré-structurer ce que les apprenants remarquent avant qu'ils ne rencontrent les données, de sorte qu'une séquence « terrain d'abord » qui retient l'explication générée jusqu'à ce que les observations et les interprétations initiales soient consignées protège la recherche (Choi, 2026).

Concepts liés

Métadonnées

Discipline	Stem Education
Apprentissage et enseignement	L'apprentissage actif, Apprentissage par la recherche (Inquiry-Based Learning), La métacognition, Apprentissage par problèmes, L'étayage, L'apprentissage autorégulé
Technologies et techniques	L'IA générative
Fondements de l'IA dans l'éducation	La pensée critique

Source History Edit Chat