L'enseignement de la physique

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

L'enseignement de la physique (Physics Education) — l'étude de la manière dont les étudiants apprennent la physique et de la façon de l'enseigner plus efficacement, englobant le tutorat par IA socratique, l'évaluation de la pensée informatique, la confiance des étudiants et les modes d'adoption de l'IA, la validité de la notation automatisée, ainsi que la formation des enseignants. Les articles sur l'enseignement de la physique de cette base de connaissances se distinguent par leur spécificité disciplinaire : ils explorent la manière dont les outils d'IA interagissent avec les exigences cognitives propres au raisonnement physique — la pensée visuo-spatiale, la modélisation mathématique, la pensée abstraite des systèmes et la résolution de problèmes en plusieurs étapes.

Questions à examiner

• Les problèmes de physique exigent souvent une pensée visuo-spatiale, une modélisation mathématique et un raisonnement en plusieurs étapes. Pourquoi ces exigences cognitives seraient-elles précisément celles avec lesquelles les tuteurs d'IA actuels peinent ?
• Les étudiants font état d'un important écart entre usage et confiance — 91% utilisent l'IA pour leurs travaux de cours mais seuls 41% lui font confiance. Avez-vous déjà utilisé un outil auquel vous n'accordiez pas entièrement confiance ? Qu'est-ce qui explique cet écart ?
• La notation par IA sous-estime systématiquement les explications de physique des étudiants faibles sur le plan linguistique. Qu'est-ce que cela suggère sur la manière dont une IA note une explication par rapport à une réponse numérique correcte ?
• Une étude a montré qu'un chatbot d'IA socratique améliorait spectaculairement la spécificité des questions dans un cours de physique en présentiel, mais que les étudiants « cédaient fréquemment le contrôle stratégique » au tuteur. Quand la remise du contrôle stratégique aide-t-elle l'apprentissage, et quand lui nuit-elle ?
• Pourquoi la physique pourrait-elle être un « terrain d'essai » pour l'IA en éducation — qu'est-ce qui rend ses problèmes idéaux pour étudier la manière dont l'IA affecte le raisonnement et l'évaluation ?
• Feriez-vous confiance à une IA pour corriger votre série d'exercices de physique ou pour raisonner avec vous sur un diagramme de forces ? Que faudrait-il, de l'IA comme de votre cours, pour que vous puissiez répondre oui ?

Introduction

La recherche en enseignement de la physique est devenue un terrain d'essai pour l'IA en éducation parce que les problèmes de physique sont bien structurés tout en étant cognitivement exigeants, ce qui les rend idéaux pour étudier la manière dont les outils d'IA affectent l'apprentissage, le raisonnement et l'évaluation. Les 26 articles de cette base de connaissances dressent collectivement le portrait d'un champ aux prises avec la promesse comme avec les limites de l'IA — des agents conversationnels socratiques qui améliorent la qualité des questions des étudiants aux biais de notation systématiques qui pénalisent les apprenants linguistiquement divers.

Thèmes de recherche clés

Le tutorat d'IA socratique en physique est le thème le plus développé, avec trois articles déployant un dialogue socratique propulsé par des Grands modèles de langue (LLM) dans de véritables cours de physique. Hashmi et coll. ont démontré qu'une interaction socratique soutenue avec un chatbot d'IA améliore spectaculairement la spécificité des questions en mécanique introductive, auprès de 150 étudiants de STIM inscrits à un cours en présentiel. Hashmi et Rebello ont construit une taxonomie ascendante de 357 catégories de discours étudiant issues du même déploiement, révélant que les tours métaprocéduraux — où les étudiants cèdent le contrôle stratégique au tuteur — dominent les interactions étudiantes. Ces deux travaux contribuent à la recherche plus large sur la méthode socratique et se rattachent aux cadres d'IA de tutorat et d'tutorat intelligent.

L'adoption de l'IA par les étudiants et la confiance explore la manière dont les étudiants en physique utilisent réellement les outils d'IA. Fouad et Bentley ont mis en évidence un écart de 50 points entre usage et confiance : 91% utilisent l'IA pour leurs travaux de cours mais seuls 41% lui font confiance, les étudiants identifiant spontanément des modes de défaillance de l'IA dans le raisonnement visuo-spatial et les circuits électriques. Becker et coll. ont élaboré une typologie à deux profils — 70% d'« utilisateurs pragmatiques » et 30% de « non-utilisateurs sceptiques » — à partir de 1 189 réponses à un questionnaire, montrant que les deux groupes effectuent des arbitrages calculés entre risque et utilité. Ces études font progresser la recherche sur l'IA littératie et la calibration de la confiance, et mettent au défi les politiques d'IA uniformes.

Les croyances épistémologiques suivent la préférence de comportement du chatbot. Dans un grand cours de calcul, 52% des étudiants préféraient un chatbot débutant par une enquête guidée et ne répondant que sur demande, et ils obtenaient des scores plus élevés au total EBAPS (p = 0.029) — des différences qui ne résistaient pas à une correction de Bonferroni, ce qui rend l'association suggestive plutôt que concluante (Sirnoorkar et Mamidpalliwar (2026)).

Un changement de perception sans changement de comportement est ce qu'ajoutent O'Brien et coll. (2026) à ce tableau. Une leçon réflexive sur le fonctionnement des grands modèles de langue, dispensée dans un cours obligatoire de première année pour les majors de physique, a fortement accru le scepticisme — l'accord selon lequel les grands modèles de langue peuvent laisser aux étudiants un faux sentiment de confiance passant de 58% à 88%, et la croyance qu'un grand modèle de langue surpasse l'étudiant moyen en physique tombant de 54% à 32% — tandis que la commodité (71% d'accord) et la pression des échéances (65%) demeuraient les raisons dominantes d'utilisation. Les limites de la leçon sont aussi instructives que son effet : l'enseignement de l'littératie en IA a déplacé ce que les étudiants disaient de ces outils et non les pressions qui les poussent à y recourir, ce qui explique qu'une intervention de ce type ait sa place aux côtés de la conception des problèmes et des politiques plutôt qu'à leur place.

La formulation de problèmes fait de l'apprenant l'auteur du problème : 76% des 49 étudiants en physique ont perçu un changement positif dans leurs interactions avec l'IA générative après une formation à l'ingénierie des invites, les novices en bénéficiant le plus, et environ 68% considéraient la technique positivement comme outil d'autoformation (Dawson et Rebello (2026)).

L'évaluation et la pensée informatique examinent la manière dont l'IA peut évaluer l'apprentissage de la physique. Savage et coll. ont utilisé des grands modèles de langue pour évaluer la croissance de la pensée informatique en physique introductive, constatant que les grands modèles de langue peuvent mettre la pensée informatique à l'échelle mais peinent avec des construits complexes comme la pensée systémique. Feser et Tschisgale ont démontré que la notation par IA sous-estime systématiquement les explications de physique des étudiants faibles sur le plan linguistique — un résultat qui se rattache à l'validité de l'évaluation, à la atténuation des biais et à l'équité.

L'infrastructure psychométrique pour l'évaluation diagnostique. Le et coll. (2026) inversent la question habituelle de l'IA en physique : plutôt que de demander si un modèle peut résoudre ou corriger de la physique, ils demandent si les évaluations fondées sur la recherche du domaine peuvent être amenées à la diagnostiquer. En cartographiant les items FCI, FMCE et EMCS sur 14 objectifs d'apprentissage fins et en ajustant un modèle de diagnostic cognitif DINA à 24 394 réponses de post-test issues de 807 cours dans 79 institutions via la plateforme LASSO, ils ont construit le diagnostic cognitif de mécanique — présenté comme le premier test informatisé adaptatif de diagnostic cognitif en physique. Le FCI et l'EMCS s'ajustent bien (RMSEA² = 0.033 et 0.022) tandis que le FMCE ne s'ajuste que marginalement (0.065), et les auteurs attribuent ce défaut d'ajustement à la conception de l'instrument plutôt qu'à la modélisation : 42 des 43 items FMCE notés partagent des énoncés de scénario dans des chaînes, créant la dépendance locale entre items que l'hypothèse d'indépendance conditionnelle du DINA interdit (le FCI bloque 13 items sur 30 ; l'EMCS aucun). La précision de classification a atteint le seuil de l'formatif à faible enjeu pour 19 des 22 combinaisons objectif–évaluation ; les trois échecs concernaient des objectifs d'énergie de l'EMCS dont les items se recouvrent à environ 70%, si bien que la maîtrise de l'un ne peut être distinguée des autres. La portée pour l'enseignement de la physique est que des instruments que les cours administrent déjà peuvent être reconvertis pour fournir une rétroaction exploitable, au niveau de l'objectif, pendant l'enseignement plutôt qu'un score de post-test rétrospectif — à condition que les affirmations diagnostiques soient calibrées à la résolution que la banque d'items peut réellement supporter.

L'étalonnage de l'IA multimodale sur des problèmes de physique authentiques. Chen et coll. (2026) introduisent OmniPhys, un repère IA multimodale à grande échelle (15 246 questions, 19 850 images) couvrant la physique du collège au niveau universitaire à partir de corpus éducatifs chinois. Particulièrement, il n'évalue pas seulement la compréhension des entrées multimodales mais aussi la génération de sorties multimodales — si les modèles peuvent synthétiser des diagrammes de physique structurés, composante essentielle de la résolution authentique de problèmes. Des évaluations extensives révèlent des lacunes critiques dans les grands modèles de langue multimodaux actuels, en particulier dans le raisonnement complexe et la génération visuelle.

Les cadres de conception pédagogique pour l'enseignement augmenté par l'IA. Kuhn et coll. proposent le cadre AIRIS (Activate–Inquire–Reflect with Intelligent Support) — une structure en trois phases pour un usage cognitivement activé de l'IA en physique : les étudiants prédisent et esquissent les résultats attendus avant l'IA (Activate), délèguent à l'IA les étapes computationnelles et représentationnelles tout en comparant de façon critique sa sortie à leurs propres prédictions (Inquire), puis interprètent, vérifient la cohérence entre représentations et réfléchissent à ce que l'IA a apporté (Reflect). Fondé sur l'apprentissage autorégulé, la théorie de la charge cognitive, les représentations externes multiples et la collaboration humain-IA, il pose le défi central comme relevant de la conception pédagogique plutôt que de la tricherie ou du choix d'outil, et appelle à des expériences en « condition de retrait » testant si l'apprentissage survit au retrait du soutien de l'IA.

• Enseigner la critique des solutions d'IA avec une grille. Vingt-quatre groupes de travaux pratiques de physique introductifs qui ont critiqué une solution d'IA avec une réflexion guidée par MAPS ont identifié une intégration numérique escamotée, une notation non définie et des tracés qualitatifs au lieu de quantitatifs, tandis que les groupes qui ne faisaient que résoudre un problème connexe acceptaient la sortie polie ou la rejetaient au nom de leurs propres idées fausses (Borse et coll. (2026)).

La vidéo générative comme données expérimentales synthétiques. Alvarado-Cruz et coll. (2026) génèrent des scénarios vidéo avec PixVerse, Grok Imagine et Pippit pour trois régimes de force de résistance — frottement constant, traînée linéaire et traînée quadratique — en extraient la cinématique avec l'outil libre Tracker, et ajustent les modèles analytiques par moindres carrés non linéaires. Les données synthétiques concordaient avec les équations classiques du mouvement et retrouvaient des paramètres physiquement signifiants, et le constat pratique récurrent est que la spécificité de l'invite gouverne la cohérence physique : des descriptions plus détaillées produisaient des dynamiques plus cohérentes. Le flux de travail reflète la pratique expérimentale de la construction du modèle à la validation quantitative, et recadre la formulation d'invite comme une étape de la conception expérimentale plutôt qu'un commodité. Ce qu'il ne démontre pas encore, c'est l'apprentissage : la validation ici est l'accord entre le mouvement généré et les modèles des auteurs, et non le jugement de mesure des étudiants, si bien que l'approche hérite de la question de validité que toute donnée générée utilisée comme preuve doit affronter.

Des simulations sur mesure pour les sujets que PhET ne couvre pas. Des modèles HTML/JavaScript générés par grand modèle de langue permettent aux enseignants de produire la simulation dont un cours a besoin plutôt que la plus proche publiée, sous réserve d'une validation technique et physique ; dans un pilote, 53 étudiants répartis en 26 binômes ont construit et affiné leurs modèles de chute libre sans qu'aucune expérience préalable en programmation ne soit requise (Ben-Zion et coll., 2025).

Une invite réutilisable à quatre éléments — outils, affichage, commandes manuelles, optimisation — permet à un enseignant sans code de générer une simulation de réalité augmentée dans le navigateur dont les gestes de pincement et d'écartement pilotent la physique ; dans un pilote à 29 étudiants, le geste a aidé les 29 à « ressentir » la longueur d'onde (moyenne 4,52) et 86% ont fait état d'un engagement accru (Levy et coll. (2026)).

De l'instrumentation générée à partir d'une invite. Un laboratoire de rotation généré par interrogation en langage naturel d'un assistant d'IA, sans codage manuel, a mesuré le mouvement circulaire uniforme et accéléré à moins de 1% d'une analyse vidéo indépendante par Tracker, permettant aux enseignants de construire l'interface autour de leurs variables pédagogiques plutôt que de s'adapter à une application de capteurs précompilée (Suñer et coll. (2026)).

Performance assistée versus connaissances sans aide dans un cours refondu. Une refonte de 2026 du cours introductif de physique nucléaire et des particules à l'université Ruhr de Bochum (Mikhasenko et coll.) autorisait l'IA générative sur dix feuilles de devoirs délibérément résistantes à l'IA et en forme de recherche, conçues pour qu'une formulation d'invite naïve ne suffise pas. L'engagement et l'ambition étaient élevés — 24 des 42 étudiants ont obtenu les crédits sur les dix feuilles, et une dérivation a rempli plus de deux mètres de tableau noir — mais un examen écrit sans aide de 90 minutes constituait un « sérieux avertissement » : une moyenne de 20,6/80, avec seulement deux des 27 candidats atteignant 40. Les auteurs concluent que la performance assistée et les connaissances indépendamment retrouvables sont des accomplissements distincts qu'on ne peut présumer capables de s'entraîner ou de se démontrer mutuellement, et que les cours de physique doivent réserver une part de pratique au travail sans aide — ce qui renforce les données probantes plus larges de la base de connaissances sur le transfert.

Une revue PRISMA de 2026 portant sur 11 études empiriques dans six pays parvient à la même conclusion au niveau du champ : les gains à court terme issus de la rétroaction et de la simulation par IA ne persistaient pas dans les examens ultérieurs ni ne se transféraient à une performance indépendante (revue de l'IA dans l'enseignement universitaire de la physique).

La conception du rôle de l'agent comme variable pédagogique. Wang et coll. (2026) maintiennent constants le modèle (DeepSeek R1), la plateforme et la température, et ne font varier que le rôle spécifié par l'invite : un agent centré sur l'enseignant qui répond avec autorité à partir d'une source de connaissances bornée, versus un agent centré sur l'étudiant configuré comme un enseignant empathique connaissant la compréhension des étudiants, scripté pour diagnostiquer la cause des idées fausses, nommer le concept pertinent et transférer vers un phénomène analogue. Sur 59 diplômés du secondaire travaillant sur deux items conceptuels, l'agent centré sur l'étudiant a produit des scores de post-test plus élevés (9,67 contre 7,93 ; r = 0,38), une charge cognitive extrinsèque plus faible et une charge cognitive pertinente plus élevée, une expérience de flow plus forte (d = 0,92) et une perception d'empathie plus élevée (r = 0,53) — la preuve que le cadrage du rôle, et pas seulement l'exactitude de la réponse, est ce qui rend un agent de physique pédagogiquement efficace (agents pédagogiques, ingénierie des invites).

• Les scores des repères sous-estiment ce que les modèles peuvent déjà faire en physique. Une nouvelle correction de six repères de physique largement utilisés par des experts du domaine a montré que l'essentiel du déficit rapporté était un artefact d'items défectueux et de correcteurs automatisés restrictifs : sur 250 rejets audités, 143 (57,20%) étaient des défauts du repère et 95 (38,00%) des erreurs de correcteur, avec seulement 12 (4,80%) d'erreurs de modèle authentiques. Corrigé, le HLE-Physics mean@4 passait de 47,28% à 78,66% et le CritPt de 32,29% à 87,50%. Pour l'enseignement de la physique, cela coupe dans les deux sens : cela signifie que les étudiants peuvent déjà obtenir des solutions textuelles de niveau expert pour de nombreux problèmes canoniques, si bien que l'évaluation du raisonnement physique doit se tourner vers des items qui résistent à la contamination par les repères et vers des preuves de processus plutôt que des réponses finales. (How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations and Near-Saturation of Leading Benchmarks)

• La notation par IA peut reproduire un résultat de physique à fort enjeu sans correspondre à chaque partie. En corrigeant 10 364 pages manuscrites de niveau olympiade et universitaire, un grand modèle de langue multimodal a retrouvé la même équipe olympiade de cinq étudiants que les correcteurs et corrélait avec les totaux à r = 0,93–0,96, mais l'accord exact au niveau des sous-questions n'atteignait que 70% — une seconde lecture contrôlée par les examinateurs, non un remplacement (Pathak et coll. (2026)).

• Les repères de physique peuvent être ancrés dans le programme et non anglophones. Jahin et coll. (2026) ont construit 1 834 questions en bengali à partir du manuel national de physique de 9e et 10e année et d'un graphe de connaissances à 1 760 nœuds ; une recette unique d'ajustement fin a gagné 5,5, 15,0 et 23,3 points à 0,6B, 1,7B et 4B paramètres.

Connexions avec les concepts associés

L'enseignement de la physique se situe dans le domaine plus large des STIM mais présente des connexions distinctes : à la méthode socratique par la forte tradition du dialogue socratique dans la résolution de problèmes de physique ; à la pensée informatique par le rôle croissant du calcul en physique ; à l'validité de l'évaluation par les défis de la notation des explications de physique ; et à la formation professionnelle par la préparation fondée sur la simulation. Les concepts d'expérience étudiante et d'IA littératie sont essentiels pour comprendre comment les étudiants en physics naviguent les outils d'IA, tandis que l'mesure en éducation et l'notation automatisée se rattachent à la dimension de l'évaluation.

Implications pour les enseignants de physique

• Concevoir pour la confiance des étudiants, pas seulement pour l'adoption. Fouad et Bentley documentent un écart de 50 points entre usage et confiance (91% d'usage, 41% de confiance), les étudiants identifiant des défaillances de l'IA dans le raisonnement visuo-spatial et les circuits électriques — créez des occasions d'exposer et de discuter ces limites plutôt que de présumer l'acceptation.

• Utiliser l'IA socratique pour approfondir la qualité des questions, mais surveiller la cession stratégique. Les chatbots socratiques améliorent la spécificité des questions, mais la recherche sur les taxonomies montre que les tours métaprocéduraux dominent — les étudiants remettent le contrôle stratégique au tuteur. Intervenez pour que les étudiants demeurent les décideurs.

• Structurer cognitivement l'usage de l'IA, pas seulement l'autoriser. Le cadre AIRIS (Activate–Inquire–Reflect) montre l'intérêt de faire prédire ou esquisser les étudiants avant l'IA, de déléguer les étapes computationnelles en comparant les sorties de façon critique, et de faire réfléchir ensuite — traitez l'intégration de l'IA comme un problème de conception pédagogique, et testez si l'apprentissage survit au retrait de l'IA. Dans un essai randomisé portant sur 95 étudiants de premier cycle, 45 minutes de formation alignée sur l'ARS portant sur des problèmes de mécanique ont augmenté la précision lorsque les étudiants révisaient ensuite des items d'électromagnétisme avec un modèle : 69,3% de leurs réponses incorrectes devenaient correctes contre 41,3% pour les témoins non formés (d = 0,81) (Huang et coll. (2026)).

• Se prémunir contre le biais de notation. La notation par IA sous-estime systématiquement les explications des étudiants linguistiquement plus faibles ; utilisez une notation sensible à la langue ou modérée par un humain pour l'évaluation conceptuelle.

• Utiliser des classes simulées pour la formation des enseignants. Les classes multi-agents simulées offrent aux futurs enseignants une occasion rare de s'exercer à répondre au raisonnement authentique d'étudiants — un complément à faible coût au micro-enseignement en présentiel.

• Réserver de la pratique et de l'évaluation sans aide. La refonte de Bochum (Mikhasenko et coll. 2026) montre que des devoirs en forme de recherche réalisés avec un fort engagement sous autorisation d'IA peuvent laisser les étudiants très en retard à un examen sans aide (moyenne 20,6/80) — traitez la performance assistée et les connaissances indépendamment retrouvables comme distinctes, et intégrez au cours une pratique sans aide délibérée et un examen écrit.

• Vérifier la fidélité de l'animateur ; garder la phase de construction du modèle sans IA. Pressé de « nous dire simplement » quelle masse pesait le plus, un Gem configuré à cet effet a inventé des valeurs de masse que personne n'avait mesurées : la fidélité d'un animateur fondé sur le langage doit être vérifiée plutôt que présumée, et la phase de construction sans IA préserve le travail pratique auquel il ne peut accéder (Tufino et Damiani (2026)).

Concepts liés

• L'enseignement des STIM
• La méthode socratique
• Tutorat intelligent
• Pensée informatique
• Littératie en IA
• Le calibrage de la confiance
• L'expérience étudiante
• Validité de l'évaluation
• Réduction des biais
• L'équité
• Évaluation automatisée
• La mesure en éducation
• Analytique de l'apprentissage
• Apprentissage en milieu professionnel
• Simulation
• L'IA générative
• Enseignement supérieur
• L'IA en éducation dans les disciplines
• Enseignement de la chimie — L'enseignement de la chimie et l'IA : travaux pratiques, évaluation formative, limites des grands modèles de langue, philosophie de l'expérimentation
• Enseignement de la biologie — L'enseignement de la biologie et l'IA : assistants de travaux pratiques, littératie en IA en biologie, pensée critique, outils spécialisés

Articles liés

• From Prompts to Physical Laws: A Generative AI Workflow for Engineering Physics Education — De l'invite aux lois physiques : un flux de travail d'IA générative pour l'enseignement de la physique appliquée
• Comparing teacher-centered and student-centered agents based on prompt engineering: Effects on learning performance, cognitive load, flow experience, and empathy perception in physics learning — Agents de physique conçus par invite, centrés sur l'enseignant versus centrés sur l'étudiant (Wang et coll. 2026)
• OmniPhys: A Unified Multimodal Benchmark for Physics Understanding and Generation from Chinese Educational Corpora
• Leveraging AI for Rapid Generation of Physics Simulations in Education: Building Your Own Virtual Lab — Utiliser l'IA pour générer rapidement des simulations et laboratoires virtuels de physique (Ben-Zion et coll. 2025)
• Analyzing Undergraduate Problem-Solving in Physics Through Interaction With an AI Chatbot
• A Bottom-Up Taxonomy of Student Discourse with a Socratic AI Physics Tutor
• Trust-utility gap in introductory physics education: Students' adoption, domain-specific skepticism, and preferences for AI integration
• Pragmatic users and skeptical nonusers: A qualitative typology of ChatGPT adoption in physics education
• Using LLMs to Detect Growth in Computational Thinking in Introductory Physics
• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics
• A multi-agent AI classroom based on dual-process reasoning hazards: a pilot with prospective physics teachers
• Students' Epistemological Beliefs and their Chatbot Preferences in AI-mediated Physics Learning
• Studying Circular Motion with an AI-Generated Smartphone Physics Lab
• From Prompt to Embodied Simulation: Using Generative AI to Create AR Physics Learning Tools
• Embodied Inquiry with AI as Facilitator: An Exploratory Case Study
• Probing AI-Generated Physics Solutions and Preparing Students to Critique Them
• Exploring Students' Perceptions of Using Generative AI-Assisted Problem Posing
• It's Not the Tool, It's the Task: A Framework for Cognitively Activated AI Augmentation in Physics Instruction — AIRIS : un cadre d'augmentation cognitivement activée par l'IA en physique
• Large Scale AI Grading of Handwritten Physics Assessments: Score Agreement and Olympiad Team Selection Outcomes — Notation par IA d'évaluations de physique manuscrites (olympiade)
• AI in Particle Physics Education: Research Problems and Foundational Skills — L'IA dans l'enseignement de la physique des particules : problèmes de recherche et compétences fondamentales
• Mechanics Cognitive Diagnostic: Testing Fine-Grained Learning Objectives in Introductory Physics — Diagnostic cognitif de mécanique : transformer le FCI, le FMCE et l'EMCS en un diagnostic cognitif à 14 objectifs (Le et coll. 2026)
• Skepticism vs. Convenience: Physics Students' Perceptions and Use of Large Language Models Before and After Instruction — Scepticisme ou commodité : perceptions et usage des grands modèles de langue par les étudiants en physique avant et après enseignement
• Artificial Intelligence Driven Physics Assignments using Context Prompts — Devoirs de physique pilotés par l'intelligence artificielle à l'aide d'invites contextuelles
• AI-Assisted Assessment of Experimental Physics Laboratory Reports: Potential, Limitations, and Support for Teaching Practice — Évaluation assistée par IA des rapports de travaux pratiques de physique expérimentale : potentiel, limites et soutien à la pratique enseignante
• PhysicsMate: A Curriculum-Grounded Bengali Benchmark for Secondary Physics QA with Small-Model Adaptation — PhysicsMate : 1 834 paires questions-réponses de physique du secondaire en bengali cartographiées sur un graphe de programme à 1 760 nœuds, avec gains d'adaptation sur petits modèles
• Artificial intelligence in university physics education: a systematic review of empirical studies — L'intelligence artificielle dans l'enseignement universitaire de la physique : une revue systématique d'études empiriques
• From answer machine to collaborative partner: impact of structured generative AI training on scientific problem solving in STEM education — Formation structurée à l'IA générative pour la révision de problèmes de physique : un essai contrôlé randomisé (Huang et coll. 2026)