L'ingénierie des invites

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

L'ingénierie des invites (Prompt engineering) — la pratique consistant à concevoir et à affiner les entrées adressées aux grands modèles de langue pour obtenir les sorties souhaitées. En éducation, l'ingénierie des invites remplit deux rôles : celui d'une compétence de l'apprenant (les étudiants doivent apprendre à formuler efficacement des invites) et celui d'un levier de conception de système (les développeurs élaborent les invites qui façonnent le comportement du tutorat par IA).

Questions à examiner

• Vous avez probablement saisi récemment une invite dans un outil d'IA. Considérez maintenant ceci : la manière dont vous l'avez formulée n'est pas neutre — elle peut révéler comment vous avez planifié, réfléchi et réparti vos efforts. Que pourraient dire vos propres habitudes de formulation sur votre manière d'aborder les problèmes ?
• Une étude a montré que les utilisateurs qui formulent habilement leurs demandes obtiennent systématiquement de meilleures sorties que ceux qui expriment la même intention moins adroitement. Si vous acceptez que le « privilège de formulation » est réel, l'accès équitable à l'IA se corrige-t-il mieux en enseignant à chacun à mieux formuler ses invites, ou en repensant le système pour qu'il n'exige pas cette compétence — et quels sont les compromis de chacune ?
• Formuler une invite est-ce un « tour » à mémoriser, ou une véritable compétence intellectuelle ? Une ligne de recherche la traite comme un jugement professionnel au sein d'une discipline (journalisme, droit, médecine) ; une autre en fait un cœur de la littératie en IA. Quelle conception correspond à votre propre expérience de ce qui distingue réellement les bonnes invites des mauvaises ?
• Des invites bien conçues peuvent étayer la pensée des étudiants, tandis que des invites mal utilisées peuvent encourager le délestage cognitif. Vous souvenez-vous d'un moment où une réponse d'IA a pensé à votre place ? Qu'est-ce qui, dans l'invite — ou dans votre intention — l'a provoqué, et cela aurait-il pu être conçu pour produire l'effet inverse ?
• Formuler une invite est à la fois une compétence de l'apprenant et un levier de conception de système : certains tuteurs sélectionnent et acheminent désormais automatiquement les invites pour l'utilisateur. À mesure que la formulation passe de l'utilisateur au système, que perdent les étudiants — et que gagnent-ils ?
• Fixez-vous un petit objectif avant de lire : après avoir appris ce qu'est l'ingénierie des invites, décidez d'une manière concrète dont vous changerez la façon dont vous rédigez vos invites dans votre propre travail, et du résultat que vous vérifierez pour savoir si cela a fonctionné.

Introduction

L'ingénierie des invites est centrale pour un usage efficace de l'IA générative en éducation. Contrairement aux interfaces de programmation traditionnelles, les grands modèles de langue répondent au langage naturel — mais la qualité, l'exactitude et la valeur pédagogique de ces réponses dépendent fortement de la conception des invites. La recherche de cette base de connaissances révèle que la formulation n'est pas un acte neutre : elle reflète la manière dont les étudiants pensent, planifient et répartissent l'effort cognitif. Miles, Haber-Curran et Arar (2026) précisent ce que le terme recouvre en distinguant l'ingénierie des invites, l'optimisation technique des entrées en vue de la performance, de la littératie de formulation (prompt literacy), le travail rhétorique, éthique et réflexif consistant à clarifier l'intention, à lire les sorties de façon critique et à réviser avec des raisons énoncées. Leur cycle de littératie de formulation (Clarify Purpose, Craft the Prompt, Engage with Output, Refine the Prompt, Reflect) et une grille de processus fournie en exemple rendent la distinction enseignement, et ils soutiennent qu'un enseignement qui n'optimise que les sorties laisse intactes les dimensions éthiques et épistémologiques de l'usage des grands modèles de langue.

Comment l'ingénierie des invites apparaît dans la recherche

• La formulation comme trace cognitive : Misiejuk et coll. montrent que les schémas d'invites révèlent le délestage cognitif — les travaux de haute qualité emploient des invites riches en contexte, polies et instructionnelles ; les travaux de faible qualité témoignent d'un désaccord réactif sans ancrage disciplinaire

• La profondeur améliore le produit, pas la rétention. Chez 22 étudiants de troisième cycle, la part des invites de recherche d'explication (« pourquoi/comment/explique ») prédisait la qualité des tâches notée indépendamment (β = 6,27) au-delà des connaissances de base et du volume d'invites, tout en montrant une association nulle avec le rappel immédiat (Tsiligkiris (2026)).

• La cognition liée à la formulation suit la discipline, pas l'étudiant. Chang et Li (2026) ont classé 60 087 invites issues de 116 cours et constaté que les profils de niveau de Bloom différaient selon la discipline — prévalence de l'application en STIM (20,8%), prévalence de la création en sciences sociales (33,8%) — la variance au niveau du cours excédant la variance au niveau de l'étudiant.

• La formulation comme littératie : les recherches Tracing GenAI literacy et K-12 prompting literacy cadrent la formulation comme une composante centrale de l'IA littératie

• Les novices se rabattent par défaut sur l'essai-erreur, et accusent le modèle. Dans un séminaire de linguistique textuelle, dix novices en IA générative ont affiné leurs invites par essai-erreur, ont rarement recouru à des exemples en contexte, et ont très majoritairement attribué la médiocrité des sorties au grand modèle de langue plutôt qu'à leur propre formulation (Brocca et Garassino (2026)).

• Quand l'enseignant modélise l'invite, les étudiants la réutilisent mot pour mot. Sur 310 invites enregistrées issues de douze groupes STEAM de collège, la copie exacte de la consigne de l'enseignant était la position la plus fréquente des étudiants à 47,1%, devant l'enquête spontanée à 28,7% (Zhao et Li (2026)).

• Un cycle régulateur vaut mieux qu'une formule d'invite. Dans un pilote quasi expérimental portant sur 42 étudiants de premier cycle, les étudiants à qui l'on avait enseigné le cycle IDEA (Intent, Deconstruction, Expression, Adaptation) ont produit des invites et des sorties de meilleure qualité que leurs pairs formés à la formulation Role–Task–Context–Format dans les cinq catégories de tâches (gains d'invites ajustés de +11,77 à +29,19 points) (Wang et coll., 2026).

• La formulation comme conception de système : CoTAL emploie l'ingénierie des invites avec intervention humaine pour la notation d'évaluation formative ; la formulation ancrée améliore la notation automatisée de dissertations

• La formulation est la compétence d'entrée, non la discipline. Gorsky (2026) cadre l'littératie en IA pour les professionnels du logiciel comme la capacité de gérer des agents plutôt que de leur adresser des invites, nommant le cadrage, la spécification, l'ingénierie du contexte, la vérification, l'orcheration multi-agents et l'auditabilité comme les compétences qu'un programme d'études doit évaluer (Gorsky (2026)).

• L'acheminement adaptatif des invites : Learning to Prompt traite la sélection d'invites comme une part du système de tutorat lui-même — un acheminement d'invites sensible à la matière sur 14 caractéristiques pédagogiques, où un routeur stochastique sélectionne la meilleure invite pour chaque conversation. Cela déplace la formulation du statut de compétence de l'apprenant à celui de levier adaptatif de conception de système, améliorant l'engagement et l'efficience (28,1% contre 19,6% de conversion d'exercices dans un test A/B réel).

• Les modalités de formulation : la recherche entrée vocale ou texte examine si la modalité de formulation affecte les résultats d'apprentissage

• La formulation au-delà du texte — l'illustration scientifique. La formulation peut générer rapidement des figures de chimie moléculaire et physique, mais un rendu localement persuasif peut néanmoins être erroné ou porter un biais représentationnel : les étudiants doivent donc interroger les visualisations générées par l'IA à l'aune des principes chimiques plutôt que de s'y fier (Li et coll. (2026)).

• La formulation étayée : Guided LLM scaffolding et critical engagement scaffolding enseignent la formulation structurée comme une intervention d'apprentissage

• La formulation avec accompagnement et soutien décroissant : dans ARPG+, un accompagnateur en temps réel diagnostiquait la qualité des invites sur six dimensions et atténuait le soutien à mesure que la compétence croissait, élevant la qualité finale des invites à 7,82 contre 5,95 pour des gabarits statiques et 4,52 sans assistance (Ye et coll. (2026)).

• La décomposition des tâches a un optimum : générer des leçons de formation de tuteurs en trois segments a produit les leçons les mieux notées (moyenne 14,67), tandis qu'un passage unique obtenait le score le plus bas (10,67) et que cinq segments retombaient en dessous de trois — une décomposition modérée bat les deux extrêmes (Lin et coll. (2025)).

• Le privilège de formulation et l'équité : Jin et coll. montrent que l'expertise en formulation est inégalement distribuée — les utilisateurs qui formulent habilement leurs demandes obtiennent systématiquement de meilleures sorties que ceux qui expriment la même intention moins adroitement. Leur Prompt Equity Transformer déplace l'optimisation des invites de l'utilisateur vers le système d'IA, soutenant qu'une sortie équitable devrait être conçue dans le modèle plutôt qu'exigée des novices.

• L'affinage des invites plafonne ; l'ajustement fin prend le relais à partir de là. La conception itérative d'invites a produit des gains d'atténuation de la qualité des items dans l'évaluation de la compréhension orale en L2, mais l'ajustement fin de GPT-4.1 sur l'invite optimisée — l'invite demeurant constante — a produit des items plus ancrés contextuellement et plus équilibrés, isolant l'adaptation du modèle plutôt que l'art de la formulation comme le levier suivant (Aryadoust et Wong, 2026).

• La formulation comme jugement professionnel situé. Au-delà de la littératie et de la conception de système, la formulation peut être cadrée comme une pratique disciplinaire. La taxonomie de Dierickx et coll. pour le journalisme traite la définition de tâches et la formulation comme une forme de jugement professionnel exercée dans les normes épistémiques et éthiques d'un domaine — traduire le travail journalistique en tâches explicites (collecte d'informations → interprétation → édition → publication/distribution) rend visibles les hypothèses, les priorités et les considérations éthiques, et fait de la formulation un outil pédagogique de littératie critique en IA. Sa logique se transpose à d'autres professions à forte intensité de connaissances (droit, médecine, politique publique).

• La conception d'invites comme spécification pédagogique. Neto et collègues (2026) constatent dans leur revue systématique sur l'IA générative dans l'éducation aux soins de santé que la conception d'invites fonctionne comme une forme de spécification pédagogique, encodant les cibles cognitives et les critères de qualité implicites dans la production experte — pourtant, seules 34,8% des études alignaient le contenu généré sur des cadres pédagogiques et seules 34,8% rapportaient la formulation en assez de détail pour la reproduire. Looi, Liu et Sun (2026) montrent en outre comment l'architecture des invites peut intégrer des règles pédagogiques (barrières d'exactitude, frontières anti-divulgation, barrières de clôture) pour contraindre le comportement de tutorat des grands modèles de langue dans des domaines procéduraux.

• La formulation guidée par grille et sensible au rôle. Yaşar et coll. (2026) ont montré que la formulation guidée par grille — traitant la grille comme une interface sémantique entre l'intention pédagogique humaine et l'inférence de la machine — a fait passer l'accord entre grands modèles de langue et humains sur les travaux de conception des étudiants de 54,75% à 81,25% (alpha de Cronbach 0,393 → 0,798). Les grilles conçues pour les grands modèles de langue doivent équilibrer précision et flexibilité : trop vague invite à la libre interprétation, trop rigide réduit le modèle à de l'appariement de motifs. La formulation sensible au rôle — évaluer le même artefact sous des invites d'enseignant, d'évaluateur par les pairs et d'évaluateur de subvention — a produit une rétroaction qualitativement distincte, épistémiquement différente, montrant que la conception d'invites façonne non seulement l'exactitude mais la posture évaluative de la sortie.

• L'étayage par invites peut éloigner davantage un modèle de l'enseignant. Almousa et coll. (2026) ont fait produire à sept modèles une rétroaction au niveau du paragraphe sur des écrits d'étudiants selon trois stratégies de formulation, et ont constaté que l'ajout de noms de catégories ou d'exemples travaillés augmentait la divergence par rapport à la distribution de l'enseignant pour la plupart d'entre eux, n'améliorant que Mistral-7B (0,2695 à 0,2398). La ligne de base zéro-tir est restée la plus proche, si bien que les instructions sur le type de focalisation sont quelque chose à tester plutôt qu'à présumer.

• La formulation sensible au contexte pour l'évaluation. La formulation sensible au contexte de modèles de langue pré-entraînés automatise le codage des compétences d'apprentissage collaboratif de résolution de problèmes à partir des données de processus, modélisant les dépendances entre les codes comportementaux et fusionnant capacités cognitives et sociales. Cela rend possible une analyse structurée de la résolution collaborative de problèmes à l'échelle et en temps réel, surmontant l'intensité de main-d'œuvre des schémas de codage manuels.

• Les gabarits par rôle et les grilles de qualité pour la planification enseignante. Luo et Tahir (2025) développent empiriquement un cadre d'invites pour la planification de leçons d'arts STEAM pour enfants qui associe un gabarit Role (R) – Instructions (I) – End Goal (E) (adapté de RISEN) à une grille d'optimisation « quatre points et une ligne » — standardisé, pratique, engageant et complet, plus une dimension d'extension. L'application de la grille pour critiquer et affiner les invites a maintenu les plans générés acceptables pour des enseignants d'arts en exercice (notes moyennes supérieures à 4/5) tout en exposant des lacunes récurrentes (personnalisation, contraintes de sécurité des enfants, biais culturel) que la formulation en un seul coup laissait inabordées — montrant que des gabarits d'invites plus des critères d'évaluation explicites fonctionnent comme un étayage de contrôle qualité pour la génération en classe.

• La conception du rôle et des contraintes comme variable indépendante. Wang et coll. (2026) comparent deux agents construits sur le même modèle et la même plateforme à température 0,3, dont la seule différence réside dans la manière dont l'invite spécifie le rôle, les compétences et les contraintes : un agent enseignant expert répondant à partir d'une source de connaissances bornée, versus un agent centré sur l'étudiant, empathique, scripté pour diagnostiquer les idées fausses et vérifier la compréhension. La seule différence de rôle a déplacé la performance d'apprentissage, la charge cognitive, l'expérience de flow et l'empathie perçue, montrant que la spécification du rôle est une décision de conception pédagogique à effets mesurables plutôt qu'une fantaisie stylistique (agents pédagogiques).

• La formulation comme conception de l'évaluation. Xiong et coll. (2026) projettent les modèles étudiant, preuve et tâche de la conception centrée sur les données probantes (Evidence-Centered Design) sur les parties d'une invite de notation, en dérivant cinq principes — intentionnalité, traçabilité, responsabilité, itération et équité ; leurs invites construites selon l'ECD ont noté des dissertations narratives plus précisément que les références zéro-tir, few-shot et chaîne de raisonnement.

Connexions avec des concepts plus larges

L'ingénierie des invites se rattache au scaffolding — des invites bien conçues peuvent étayer la pensée des étudiants plutôt que la contourner. Elle recoupe la métacognition et l'IA littératie, car formuler efficacement suppose de comprendre à la fois les capacités de l'IA et ses propres objectifs d'apprentissage. La recherche sur le délestage cognitif relie directement la qualité des invites à la question de savoir si l'usage de l'IA soutient ou mine l'apprentissage.

• La compétence rédactionnelle pilote la formulation, et toutes deux prédisent la réussite du codage intuitif. Dans une étude CHI 2026 pré-enregistrée (N=100), Thorgeirsson, Weidmann et Su ont montré que la maîtrise de la communication écrite prédisait la performance de codage intuitif orientée interface graphique (r = ,29), la qualité des invites notée par des humains médiatisant le lien — une preuve par les processus de réponse attestant qu'une prose claire et structurée se traduit par de meilleures invites de programmation en langage naturel. La compétence rédactionnelle comme la réussite en informatique étaient toutes deux des prédicteurs indépendants, et la réussite en informatique (r = ,39) portait environ deux fois la variance unique, si bien qu'améliorer la seule formulation ne saurait pleinement se substituer aux fondamentaux de la programmation dans un développement natif des grands modèles de langue.
• La stratégie de formulation prédit la performance. Une étude empirique portant sur 128 étudiants en ingénierie a montré que l'efficience de requête à l'IA (AI Query Efficiency : des invites claires et bien structurées) et la résolution de problèmes pilotée par l'IA (l'intégration stratégique des sorties de l'IA dans le raisonnement) étaient les plus forts prédicteurs de la réussite académique — même après contrôle de la moyenne générale — indiquant que la formulation est une compétence enseignable qui façonne l'efficacité avec laquelle les étudiants apprennent avec l'IA.
• Le style de formulation, et pas seulement la qualité des invites, suit les résultats. Des traits dérivés de 1 540 sessions de tutorat associaient l'interrogation conceptuelle à la performance aux examens tandis que les comportements de délégation de tâches corrélaient négativement — mais ces mêmes traits ne se reproduisaient pas au semestre suivant, si bien qu'il s'agit de schémas comportementaux plutôt que de compétences stables (McNichols, Du et Lan (2026)).
• Une taxonomie utilisable, et les catégories d'invites qui paient réellement. Jacobsen et coll. (2026) traduisent les stratégies techniques dans le modèle 3K (Kontext, Kernauftrag, Klarheit — contexte, tâche centrale, clarté) : onze catégories orientées vers la pratique, chacune dotée d'une grille bon/moyen/suboptimal, et chacune testée comme variation expérimentale sur la rétroaction générée pour les objectifs d'apprentissage d'enseignants en formation. Le langage technique spécifique au domaine était la catégorie décisive — remplacer la terminologie disciplinaire par des paraphrases du quotidien réduisait significativement la qualité de la rétroaction sur les trois modèles (β = −0,412) — tandis qu'ajouter des exemples concrets et supprimer l'instruction de chaîne de raisonnement ne produisait aucune différence significative par rapport à la ligne de base dans la première étude ; les exemples ont aidé une fois l'analyse relancée avec les meilleures combinaisons modèle-invite (β = 0,52). La qualité des invites et le choix du modèle expliquaient ensemble 42,8% de la variance de la qualité de la rétroaction notée, ce qui constitue l'argument de l'article selon lequel l'ingénierie des invites est une compétence mesurable et enseignable plutôt qu'une préférence stylistique — et que ses catégories ne sont pas interchangeables en termes de taille d'effet.

Concepts liés

• Patrons pédagogiques — La couche d'étayage à l'intérieur des séquences d'usage structuré
• Le vibe coding
• Les garde-fous
• L'étayage
• Littératie en IA
• IA agentique
• La métacognition
• La conception de programme d'études
• Délestage cognitif
• L'écriture
• Primaire et secondaire (K-12)
• L'IA générative
• Conception pédagogique
• L'enseignement de l'informatique
• Enseignement supérieur
• Technologies de l'IA — Parapluie : technologies et techniques d'IA (modèles, entraînement de grands modèles de langue, robotique, RAG, agents)

Articles liés

• 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 — Le rôle de l'agent et les invites de contraintes comme variable de conception dans l'apprentissage de la physique (Wang et coll. 2026)

• How to Train Your Dragon: Evaluating Prompting and Fine-Tuning for GPT-Based Item Generation in L2 Listening Assessment — Formulation ou ajustement fin pour la génération d'items de compréhension orale en L2 par GPT (Aryadoust et Wong 2026)

• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — Ce que les étudiants demandent importe : profondeur d'interaction avec les grands modèles de langue, qualité des tâches et rappel immédiat (Tsiligkiris 2026)

• ARPG+: a simulation-based study of real-time coaching for educational LLM prompting — ARPG+ : accompagnement en temps réel de la formulation d'invites éducatives à un grand modèle de langue

• A Taxonomy of LLM-Supported Tasks for Critical AI Literacy in Journalism — Taxonomie fondée sur les tâches des tâches de grands modèles de langue pour la littératie critique en IA en journalisme

• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — Prompt Privilege : mesurer et atténuer les disparités d'accessibilité dans l'accès aux grands modèles de langue

• Principal Trait Analysis: Towards Deriving 'Skills' in Human-AI Collaboration — Principal Trait Analysis : traits fondés sur les données de la collaboration humain-IA

• LLMs in text linguistics teaching: An exploratory study with genAI novices in higher education — Les grands modèles de langue dans l'enseignement de la linguistique textuelle

• The IDEA Framework for Metacognitively Regulated GenAI Use in Higher Education: Development and Exploratory Pilot Evidence — Le cadre IDEA pour un usage métacognitivement régulé de l'IA générative

• Automatic Large Language Models Creation of Interactive Learning Lessons — Génération par grands modèles de langue de leçons interactives de formation de tuteurs (Lin et coll. 2025)

• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module

• ASE-26: A Curriculum for Agentic Software Engineering as a Discipline

• Anchor Is the Key: Toward Accessible Automated Essay Scoring with Large Language Models Through Prompting

• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics

• Learning to Prompt: Improving Student Engagement with Adaptive LLM-based High-School Tutoring

• Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies

• Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing

• Translating UNESCO Artificial Intelligence Guidelines to Chemical Education and Its Intersection with Sustainable Development Goals — Les lignes directrices de l'UNESCO sur l'IA traduites en enseignement de la chimie ; dérive épistémique

• An Empirical Study of ChatGPT Use in Engineering Education: Prompting and Performance — Les comportements de formulation prédisent la performance des étudiants en ingénierie

• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — Engagement cognitif de niveau Bloom associé à la discipline dans les conversations étudiant-IA (Chang et Li 2026)

• From evaluation to emulation: LLMs as agents of iterative pedagogical design — Les grands modèles de langue comme agents de conception pédagogique itérative

• ChatGPT-Assisted Lesson Planning for Children's STEAM Arts Education: An Experimental Study on Benefits, Challenges, Methods, and a Prompt Framework

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — Ingénierie des invites ou littératie de formulation : un cadre d'engagement avec l'IA générative centré sur l'humain en cinq phases, avec un cycle de littératie de formulation en cinq étapes (Miles, Haber-Curran et Arar 2026)

• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — L'ingénierie des invites et le choix du modèle comme prédicteurs de la qualité de la rétroaction par IA (Jacobsen et coll. 2026)

• Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing — Évaluation de la focalisation de la rétroaction et de l'adaptivité pédagogique dans la rétroaction générée par grands modèles de langue sur les écrits des étudiants

• Exploring Middle School Students' Interactions and Perceptions of Using Generative AI in STEAM Learning Environments — Les groupes STEAM de collège ont copié mot pour mot la consigne de l'enseignant dans 47,1% des invites

• Using Evidence-Centered Design to Guide Prompt Engineering in Measurement: An Illustration with Automated Essay Scoring — Employer la conception centrée sur les données probantes pour guider l'ingénierie des invites dans la mesure : une illustration avec la notation automatisée de dissertations