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

Apprentissage par problèmes

Création 2026-08-20 · Mise à jour 2026-10-10

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

L'apprentissage par problèmes (ABP) — une pédagogie centrée sur l'apprenant dans laquelle les étudiants acquièrent des connaissances et des compétences en travaillant à comprendre et à résoudre un problème réaliste, souvent mal structuré, un facilitateur guidant l'investigation plutôt qu'en dispensant l'enseignement. À l'ère de l'IA, les caractéristiques structurelles de l'ABP — l'investigation guidée par le problème, la construction collaborative des connaissances, la facilitation plutôt que l'enseignement et la réflexion métacognitive — se révèlent être précisément les conditions dans lesquelles l'intégration de l'IA générative devient éducativement productive plutôt que substitutive.

Questions à examiner

  • Dans l'apprentissage par problèmes, le problème est le moteur du programme — et non une illustration de contenus enseignés ailleurs. Vous souvenez-vous d'un moment où vous avez appris quelque chose en profondeur parce que vous résolviez d'abord un véritable problème ?
  • La page soutient que les caractéristiques de l'ABP (investigation guidée par le problème, collaboration, facilitation, réflexion) sont exactement les conditions dans lesquelles l'IA devient un partenaire productif plutôt qu'un raccourci. Pourquoi cela pourrait-il être ?
  • L'IA rompt le lien entre un artefact remis et l'effort qui l'a produit — le problème de « l'artefact comme substitut ». En quoi évaluer le processus plutôt que seulement le produit aide-t-il, et qu'est-ce qui rend le processus d'évaluation difficile ?
  • L'ABP est né dans la formation médicale en partie parce que la compétence professionnelle exige un jugement adaptatif, non une exécution routinière. Quelle est la différence entre les deux, et en quoi l'IA change celle des deux que nous entraînons ?
  • Si une IA peut aujourd'hui rendre les « problèmes pervers » et les cas complexes du monde réel accessibles à davantage d'étudiants, que peut-on perdre lorsque le défi devient plus facile à atteindre ?
  • Où une IA, dans un dispositif d'ABP, devrait-elle tracer la frontière entre donner un problème, un indice ou une réponse ? Qu'est-ce qui détermine laquelle de ces trois actions est la bonne à un moment donné ?

Introduction

L'ABP est né dans la formation médicale (Université McMaster, années 1960) et s'est depuis diffusé aux professions de santé, au génie et à l'enseignement primaire et secondaire. L'apprenant assume la responsabilité de diagnostiquer ses besoins d'apprentissage, d'identifier des ressources et de construire des solutions, tandis que le facilitateur étaye le processus. La thèse distinctive de l'ABP est que le problème est le moteur du curriculum — non une illustration de contenus enseignés ailleurs, mais le contexte dans lequel ces contenus sont appris.

L'ABP à l'ère de l'IA

Les recherches de la base de connaissances montrent que l'ABP est devenu un point focal de la réflexion sur l'intégration productive de l'IA.

  • Les conditions structurelles de l'ABP rendent l'intégration de l'IA productive. Rowe (2026) soutient que les caractéristiques centrales de l'ABP — investigation guidée par le problème, construction collaborative, facilitation, réflexion métacognitive — sont exactement les conditions dans lesquelles l'IA fonctionne comme un partenaire du développement professionnel plutôt que comme un raccourci qui le contourne. L'alignement est structurel, et non rétrospectif : l'ABP a été conçu autour de ces conditions avant l'existence de l'IA, ancré dans le constat que la compétence professionnelle requiert un jugement adaptatif plutôt qu'une exécution routinière.
  • L'IA relève le plafond de complexité des problèmes. Le même argument soutient que l'IA élargit la catégorie de problèmes que l'ABP peut traiter, en rendant accessibles aux étudiants des « problèmes pervers » et des cas complexes du monde réel qui leur étaient auparavant inaccessibles.
  • Le problème de l'artefact comme substitut. L'IA rompt le lien entre un artefact remis et l'engagement qui l'a produit — un problème auquel l'ABP est bien placé pour répondre, car il évalue le processus et la compréhension démontrée, et non seulement le produit. Cela relie l'ABP à l'évaluation authentique et à l'évaluation fondée sur le processus ainsi qu'à la littérature de la base de connaissances sur la dépendance excessive.
  • ChatGPT comme étayage adaptatif. La Sunra et coll. (2026) montrent que ChatGPT, intégré comme étayage adaptatif au sein d'un dispositif d'ABP augmenté par l'IA, améliore la pensée critique et l'apprentissage personnalisé dans l'enseignement primaire et secondaire (120 élèves de huitième année). L'IA y est traitée comme un soutien interne à l'ABP plutôt que comme une machine à réponses.
  • Un agent injecteur de controverse peut contrer la pensée de groupe. Un agent d'IA générative, qui prenait la parole à trois moments déterminés d'une séance d'ABP interprofessionnelle, introduisait des perspectives controversées, et les étudiants ont rapporté que le réfuter leur offrait une manière socialement acceptable de s'exprimer, le désaccord stimulant la réflexion même lorsqu'ils rejetaient les réponses de l'agent (Wiss et coll. (2025)).
  • Données quasi expérimentales issues de la formation initiale des enseignants. Chen et Osman (2026) ont comparé un module CTD-ABP assisté par IA de huit semaines à un enseignement conventionnel auprès de 130 enseignants de physique de troisième année de formation initiale (65 par condition), DeepSeek étant utilisé via des gabarits de prompts spécifiques aux tâches comme étayage borné — génération d'idées de leçon, organisation des ressources, comparaison d'explications, invites de rétroaction entre pairs et planification de la révision — et chaque sortie de l'IA devant passer une vérification d'exactitude des contenus, de pertinence pédagogique, de faisabilité et d'éthique avant d'entrer dans un artefact pédagogique. Le groupe expérimental a rapporté un score post-test plus élevé en TPACK (M = 4,04 contre 3,40, d = 1,02) et une résolution collaborative de problèmes perçue comme supérieure (M = 3,62 contre 3,05, d = 0,88), et les plus forts effets d'interaction portaient sur la construction partagée de connaissances et la régulation sociale — précisément les dimensions du processus collaboratif que l'argument structurel ci-dessus prédit que l'IA devrait renforcer plutôt que court-circuiter. Les auteurs précisent explicitement que l'IA n'a pas été isolée comme variable indépendante : le changement différentiel s'attache à l'ensemble de la condition composée de tâches fondées sur les problèmes, d'une collaboration structurée, d'un étayage par l'enseignant, d'une rétroaction entre pairs et d'une révision réflexive, et les deux résultats étaient des perceptions auto-déclarées plutôt que des pratiques observées.
  • Les cadres d'usage responsable. Uden et Hwang (2026) avancent le cadre LEARN, informé par les neurosciences (L'apprentissage tout au long de la vie, Engagement, Active Processing, Reflection, Neuro-based Design), pour fonder éthiquement l'usage de l'IA générative au sein de l'ABP, en contrant la décharge cognitive et l'érosion de l'intégrité.
  • Implémentations par domaine. Les cadres d'ABP en génie biomédical utilisent l'IA générative pour la synthèse et l'assistance au code avec des paquets de réplication (Nnamdi et coll. 2026) ; l'ABP assisté par IA développe la pensée computationnelle en robotique éducative (ABP assisté par IA pour la pensée computationnelle) ; et des patients virtuels générés par IA générative soutiennent les tutoriels de recueil d'antécédents médicaux (Mool et coll. 2026).
  • Synthèse des données probantes. Amdan et coll. (2026) examinent systématiquement 50 études (2015–2024) sur l'engagement des éducateurs envers l'IA dans l'ABP, dans un cadre d'interaction humain-machine.
  • L'IA générative dans l'ABP par scénarios. Neto et collègues (2026) incluent l'apprentissage par problèmes parmi les approches par scénarios de leur revue systématique de l'IA générative dans la formation aux professions de santé, constatant que la conception de prompts fonctionne comme une spécification pédagogique et que la collaboration hybride humain-IA surpasse les approches entièrement automatisées. La revue souligne la nécessité d'un alignement plus fort des contenus générés sur les cadres pédagogiques et de pratiques de prompting plus reproductibles dans les contextes d'ABP.
  • L'IA peut porter la transmission des savoirs par le tuteur, mais non la régulation sociale de l'apprentissage en groupe. Dans une quasi-expérimentation de quatre semaines en pharmacologie, Shetty et Rao (2026) ont constaté que l'ABP à médiation par l'IA égalait les gains académiques de l'ABP mené par un facilitateur (p intergroupes = 0,474), tandis que les groupes menés par un facilitateur conservaient des avantages en matière de dynamique de groupe (26,51 contre 24,74, p = 0,035) et de pensée critique (14,75 contre 13,09, p < 0,001).

L'ABP comparé aux pédagogies voisines

L'ABP est étroitement apparenté à l'apprentissage par projets — tous deux sont centrés sur l'apprenant et mus par le problème ou le contexte — mais l'ABP se centre sur un problème mal structuré dont la solution exige une investigation et une construction de connaissances, là où l'apprentissage par projets se centre sur la production d'un artefact ou d'un projet tangible. L'ABP est également proche de l'apprentissage par cas et de l'apprentissage par investigation, qui partagent la structure guidée par le problème et menée par la facilitation. Dans la cartographie de la base de connaissances, l'argument structurel en faveur d'une intégration productive de l'IA vaut pour toute pédagogie partageant ces caractéristiques, et non pour la seule ABP.

Pourquoi l'ABP importe pour l'intégration de l'IA

Parce qu'il met au premier plan le processus, la collaboration et la compréhension démontrée plutôt que la production d'artefacts, l'ABP est un terrain naturel pour l'usage responsable de l'IA : les étudiants apprennent avec l'IA comme partenaire plutôt que de l'IA comme substitut. Le rôle du facilitateur et la conception du problème deviennent les leviers qui déterminent si l'IA soutient l'apprentissage ou le supplante — les mêmes préoccupations de supervision humaine et de conception de l'évaluation qui reviennent dans toute la base de connaissances. La méta-analyse à trois niveaux qui regroupe l'ABP soutenu par l'IA générative avec l'apprentissage par projets maintient la performance de produit et de solution dans un modèle distinct précisément parce qu'elle mesure une production collaborative humain-IA plutôt qu'un apprentissage internalisé, et cette estimation est la plus élevée que rapportent les auteurs de la revue (g = 1,958), tout en ne reposant que sur six études et en portant un intervalle de prédiction approximatif à 95% de [−0,740, 4,656] qui croise le zéro — la forme quantitative de la mise en garde sur l'artefact comme substitut évoquée plus haut (Chen et al. 2026).

L'échec productif et l'ABP

L'échec productif (PF) partage le noyau constructiviste de l'ABP — les apprenants affrontent les problèmes avant l'enseignement — mais en diffère par la structure : le PF retient délibérément l'enseignement et l'étayage jusqu'à ce que les apprenants aient lutté pour générer des solutions, là où l'ABP intègre la facilitation tout au long du processus. La littérature de l'ère de l'IA sur le PF éclaire directement la manière dont l'IA devrait se comporter au sein de dispositifs fondés sur les problèmes : Kim et coll. (2026) montrent que l'IA devrait préserver la lutte productive par un soutien non directif tout au long des phases du PF ; Puech et coll. (2025) démontrent que des tuteurs fondés sur les LLM peuvent être pilotés pour retenir les réponses et susciter de multiples tentatives de solution ; et ProductiveMath utilise l'IA pour aider à concevoir des problèmes de haute qualité de type PF/ABP. La question de conception — quand l'IA doit donner un problème, un indice ou une réponse — est partagée par les deux pédagogies.

Concepts liés

Articles liés

Métadonnées

DisciplineMedical Education, Engineering Education
NiveauHigher Ed
Apprentissage et enseignementL'apprentissage actif, Apprentissage collaboratif, L'étayage
Technologies et techniquesL'IA générative
Fondements de l'IA dans l'éducationLa pensée critique
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.