Résolution de problèmes

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

Résolution de problèmes — le processus consistant à formuler, analyser et résoudre des défis nouveaux ou complexes — est une compétence fondamentale du XXIe siècle que les outils d'IA amplifient et menacent tout à la fois. À travers les articles de la base de connaissances, l'IA générative fonctionne comme un soutien, un partenaire dialogique et un moteur de réponses, et sa valeur éducative dépend de ce que les apprenants demeurent les décideurs principaux ou qu'ils externalisent leur raisonnement vers la machine. Cette tension entre efficience et engagement cognitif et régulateur plus profond de l'étudiant définit la recherche actuelle sur l'IA et la résolution de problèmes.

Questions à examiner

• Pensez à un problème vraiment difficile que vous avez bien résolu. Qu'est-ce qui rendait la lutte productive, et qu'est-ce qui aurait été perdu si quelqu'un vous avait simplement remis la réponse ?
• Cette page décrit une « dette cognitive » : déléguer le raisonnement à l'IA produit le bon produit au prix de la compréhension. Vous est-il déjà arrivé d'obtenir la bonne réponse sans vraiment la comprendre ? Quel en a été le coût par la suite ?
• Les outils d'IA aident les étudiants à explorer de multiples perspectives et à générer leurs propres problèmes — mais ils peuvent aussi encourager la « paresse métacognitive ». Comment distinguer l'IA comme partenaire de réflexion de l'IA comme substitut à la réflexion ?
• Une expérience a constaté que les retours réflexifs et hybrides surpassaient le retour direct de l'IA sur le transfert différé sans IA. Pourquoi un retour qui vous fait faire plus de travail mène-t-il à un apprentissage qui dure plus longtemps ?
• Comment le fait d'enseigner aux étudiants à poser leurs propres problèmes (plutôt qu'à seulement résoudre ceux qu'on leur donne) soutient-il le transfert et l'auto-apprentissage ? Quand le fait de générer une question vous a-t-il plus appris que d'y répondre ?
• Si les erreurs de l'IA sont traitées comme des provocations à questionner et à vérifier, une limitation devient une occasion d'apprentissage. Avez-vous déjà plus appris d'une erreur de l'IA que de sa bonne réponse ?

Introduction

L'IA générative offre un soutien clair à la résolution de problèmes. Les outils LLM aident les étudiants à explorer des solutions alternatives, à intégrer des perspectives interdisciplinaires et à simuler des scénarios réalistes authentiques — tels que des dilemmes cliniques et éthiques ou des tests de prototypes en STEM — tout en fournissant des retours évolutifs et rapides et en déplaçant l'évaluation vers une évaluation par scénarios et par compétences. Dans la recherche fondée sur la conception, une IA positionnée comme un « partenaire d'apprentissage intelligent » au sein de tâches collaboratives structurées a produit des gains substantiels en performance de résolution de problèmes, les étudiants utilisant de plus en plus l'IA pour générer de multiples perspectives plutôt que pour chercher des réponses uniques.

Pourtant, ces mêmes outils peuvent éroder la compétence même qu'ils prétendent soutenir. La recherche sur la résolution de problèmes collaborative humain–IA montre un compromis frappant : le profil d'interaction qui atteint la performance de tâche la plus élevée montre aussi l'auto-Réglementation de l'IA dans l'éducation la plus faible, les étudiants déléguant le raisonnement à l'IA et récoltant ce que les auteurs appellent une « dette cognitive » — obtenir le bon produit au prix du processus auto-constructif de compréhension. Les études sur l'apprentissage collaboratif mettent pareillement en garde contre la « paresse métacognitive », où l'externalisation de l'effort cognitif mine l'analyse indépendante et l'apprentissage autorégulé.

La résolution de problèmes dans la recherche sur l'IA en éducation

Les articles de la base de connaissances abordent la résolution de problèmes par des lentilles distinctes mais convergentes. Une revue systématique PRISMA constate que les LLM produisent souvent des réponses incomplètes ou incorrectes, incitant les étudiants à questionner, vérifier et améliorer l'information — transformant les imperfections du modèle en cycles de validation-et-correction qui renforcent la pensée critique et l'indépendance intellectuelle. Plutôt que de traiter les problèmes comme donnés, d'autres travaux mettent au premier plan la formulation de problèmes : entraîner les étudiants à générer leurs propres problèmes de physique soutient le transfert et l'auto-apprentissage, et les chatbots d'IA générative ont amélioré la qualité de formulation de problèmes des élèves du primaire et réduit la charge cognitive dans l'apprentissage par investigation.

Le soutien et l'évaluation sont également centraux. Les soutiens IA adaptatifs dérivés de la fouille de séquences appliquée aux profils de processus d'étudiants individuels augmentent la performance sur la tâche en résolution de problèmes collaboratifs en mathématiques — bien qu'un soutien maximal ait aussi accru les comportements scriptés. Du côté de la mesure, les LLM peuvent refléter les évaluateurs humains dans la détection de la croissance de la pensée computationnelle dans de grands cours de physique, tandis que la pensée computationnelle est proposée comme le liant conceptuel explicite qui fait que l'robotique éducative favorise une véritable résolution de problèmes plutôt que des exercices techniques isolés.

Comment l'IA aide et gêne tout à la fois

Le double caractère de l'IA dans la résolution de problèmes est cohérent d'une étude à l'autre. Du côté de l'aide, les agents conversationnels surpassent les moteurs de recherche pour la formulation de problèmes en améliorant la qualité des questions et en intégrant des réseaux cognitifs ; les soutiens adaptatifs améliorent la performance ; et les conceptions d'IA collaborative augmentent à la fois la pensée critique et les scores de résolution de problèmes, tandis que les étudiants demeurent les décideurs principaux. Du côté de l'entrave, la sur-délégation réduit l'engagement régulateur, le retour direct sans réflexion encourage l'assimilation passive, et une forte dépendance à l'IA pour construire un consensus menace le développement des compétences interpersonnelles et la motivation intrinsèque. Fait notable, une expérience randomisée multisites a constaté que les conceptions de retour réflexives et hybrides surpassaient le retour direct de l'IA sur le transfert différé sans IA — la preuve que la valeur éducative de l'IA dépend moins de l'accès que de la préservation de l'agence de l'étudiant, du jugement évaluatif et de l'appropriation durant la révision. Les principes de conception qui émergent de la littérature incluent la priorité donnée à la tension dialogique sur l'efficience sans heurts, la possibilité d'une co-régulation proactive, et le maintien d'un soutien métacognitif et d'une supervision « esprit dans la boucle ».

Implications

Pour les éducateurs, l'ensemble des données probantes penche vers une intégration structurée et axée sur le processus : la formation au ingénierie des invites fait passer les étudiants d'une interaction avec l'IA non focalisée à une interaction productive, l'intégration de l'IA au sein de tâches d'investigation collaborative produit des gains durables, et l'utilisation délibérée des erreurs de l'IA comme provocations convertit une limitation en occasion d'apprentissage. Pour les concepteurs, le constat constant que l'efficience n'égale pas l'apprentissage profond plaide en faveur d'une IA qui questionne, met au défi et soutient, plutôt qu'elle ne répond. Pour les institutions, une intégration responsable requiert d'associer l'IA générative à une formation explicite à l'littératie en IA et à des grilles d'évaluation qui récompensent le raisonnement et la justification plutôt que les produits corrects. Le thème récurrent des travaux ancrés dans la psychologie cognitive est que la résolution de problèmes s'apprend par un engagement exigeant — et que le rôle de l'IA devrait être de préserver cet effort, non de l'effacer.

Connexions avec d'autres concepts

La résolution de problèmes est le résultat appliqué de la pensée critique et de la pensée computationnelle, et se cultive à travers les cadres de l'apprentissage par problème et de l'apprentissage par investigation. Elle dépend d'un L'étayage qui maintient la demande cognitive, de l'autorégulation et de la surveillance métacognitive pour éviter le délestage cognitif, et de structures collaboratives dans lesquelles humains et IA travaillent ensemble. La psychologie cognitive et la littérature sur le transfert de l'apprentissage fournissent le fondement théorique expliquant pourquoi les problèmes générés par l'apprenant et les retours réflexifs produisent des gains de résolution de problèmes plus durables. Le dosage entre exemples résolus et pratique pour acquérir de telles compétences est lui-même dépendant du contenu : Rachatasumrit, Koedinger et Carvalho (2025) montrent que les compétences généralisables de résolution de problèmes s'apprennent le mieux par une pratique intégrant des exemples (alternant exemples résolus et problèmes), parce que les exemples résolus fournissent l'information inductive nécessaire pour acquérir et généraliser une règle correcte, alors que la pratique pure risque de renforcer des caractéristiques faussement corrélées plutôt que la procédure générale.

Simuler la résolution de problèmes collaborative avec des agents LLM

• Simuler la résolution de problèmes collaborative avec des agents Grands modèles de langue (LLM) propres à chaque participant. Fang (2026) entraîne des agents LLM individuels sur le dialogue réel des participants pour reproduire la résolution de problèmes collaborative, et valide les simulations par l'analyse de réseaux épistémiques, montrant que les dialogues simulés et réels sont statistiquement indiscernables (distance ENA de 0,17 ; p de permutation = 0,65). Cela offre une manière évolutive d'étudier et de générer un discours authentique de résolution de problèmes collaborative — avec des implications tant pour la recherche que pour la conception d'environnements d'entraînement pour cette compétence du XXIe siècle.

Codage automatisé des compétences de CPS

• Mesurer la compétence de résolution de problèmes collaborative (CPS) requiert typiquement de coder des comportements issus de données de processus de tâches simulées en compétences CPS spécifiques. Le pilotage contextualisé de modèles de langage pré-entraînés peut automatiser ce codage, en modélisant les dépendances contextuelles et en fusionnant les capacités cognitives et sociales pour atteindre une performance supérieure à de solides lignes de base sur les jeux de données de tâches CPS — répondant au caractère laborieux du codage manuel et permettant une évaluation à grande échelle et en temps réel.

Concepts liés

• La pensée critique
• Pensée informatique
• Apprentissage collaboratif
• Apprentissage par problèmes
• Apprentissage par la recherche (Inquiry-Based Learning)
• La créativité
• L'étayage
• L'apprentissage autorégulé
• Psychologie cognitive

Articles liés

• Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective — Profils d'interaction (raisonnement délégué contre interprétation concertée) et le compromis efficience–régulation
• Design-Based Research for Developing an AI-Assisted Collaborative Learning Model to Enhance Critical Thinking and Problem-Solving Skills in Higher Education — Un modèle de recherche fondée sur la conception positionnant l'IA générative comme partenaire d'apprentissage intelligent
• Can Large Language Models Foster Critical Thinking, Teamwork, and Problem-Solving Skills in Higher Education?: A Literature Review — Revue PRISMA des LLM favorisant la pensée critique, le travail d'équipe et la résolution de problèmes
• Towards an adaptive AI scaffold for developing student collaborative problem solving — Soutiens adaptatifs issus de la fouille de séquences pour la résolution de problèmes collaborative
• Exploring Students' Perceptions of Using Generative AI-Assisted Problem Posing — La formulation de problèmes comme stratégie d'apprentissage autorégulé avec l'IA générative
• Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — Les retours réflexifs/hybrides surpassent l'IA directe sur le transfert différé
• Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science — Les chatbots améliorent la formulation de problèmes des élèves du primaire dans l'apprentissage par investigation
• Using LLMs to Detect Growth in Computational Thinking in Introductory Physics — Les LLM comme évaluateurs évolutifs de la résolution computationnelle de problèmes en physique
• Taming the Black Box: Design Principles for Rule-Integrated LLM Tutoring Systems in Primary School Mathematical Problem Solving — Soutien guidé par des règles contre soutien ad hoc dans un système de tutorat LLM pour les mathématiques du primaire (Looi et al. 2026)
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content