L'enseignement des sciences

Sur cette page

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'enseignement des sciences — l'étude et la pratique de la manière dont les élèves apprennent les sciences et dont on les enseigne, un domaine aujourd'hui remodelé par l'IA générative (LLM, simulations, laboratoires virtuels et correction automatique) en physique, en chimie et en biologie. Les articles sur l'enseignement des sciences de cette base de connaissances révèlent un champ qui négocie une tension centrale : l'IA soutient de manière démontrable la démarche d'investigation, la correction des conceptions erronées et l'évaluation à grande échelle, mais sa valeur dépend de la conception pédagogique, et elle comporte des risques réels de délégation excessive, d'hallucination et d'apprentissage déshumanisé, guidé par le profit.

Questions à examiner

La page s'ouvre sur une tension : l'IA soutient de manière démontrable la démarche d'investigation et la correction des conceptions erronées à grande échelle, mais sa valeur dépend entièrement de la conception pédagogique. Avant de lire, pensez à un outil qui vous a semblé puissant mais pédagogiquement vide dans votre enseignement des sciences — qu'est-ce qui a fait la différence ?
Lors d'une démarche d'investigation en physique facilitée par l'IA, le système a « inventé » des valeurs de masse que personne n'avait mesurées, sous la pression des élèves. Que révèle cet incident sur le fait de traiter les productions de l'IA comme faisant autorité en sciences, et comment former les élèves à traiter une réponse qui sonne avec assurance ?
Les recherches suggèrent que l'IA apporte peut-être aujourd'hui plus de valeur comme générateur de contenu évolutif que comme tuteur interactif — dans une étude, des textes de changement conceptuel bien conçus (écrits par un expert ou par l'IA) ont battu un dialogue avec l'IA piloté par des invites. Cela vous surprend-il, et qu'est-ce que cela suggère quant à l'endroit où se situe réellement, à l'heure actuelle, le bénéfice pédagogique de l'IA en sciences ?
L'IA a corrigé 10,364 évaluations manuscrites de physique avec une forte concordance avec les correcteurs humains, alors que les modèles multimodaux accusent encore des lacunes sur le raisonnement complexe et la génération de schémas. Qu'est-ce qui, dans un travail scientifique « authentique, riche en représentations », pourrait résister à l'évaluation automatisée ?
Les élèves de physique manifestent un écart frappant entre confiance et utilité — usage élevé, confiance faible — et se répartissent entre utilisateurs pragmatiques et non-utilisateurs sceptiques. Si les élèves sont eux-mêmes des sceptiques calibrés par leur domaine, qu'est-ce que cela implique pour les politiques uniformes sur l'IA dans les classes de sciences ?
Une voix critique met en garde contre une « colonisation par l'IA » de l'enseignement des sciences — extraction sans consentement, monoculture algorithmique, réforme déshumanisée. Avant de lire, où pensez-vous que les bénéfices de l'IA dans l'enseignement des sciences sont survendus, et à quoi ressemblerait une alternative centrée sur l'humain et orientée vers la justice ?

Introduction

L'enseignement des sciences est le lieu où la promesse de l'IA et ses limites se heurtent le plus visiblement, parce que les disciplines exigent un raisonnement IA multimodale rigoureux — pensée visuo-spatiale en physique, compétences de laboratoire en chimie, systèmes au niveau de l'organisme en biologie — ainsi qu'un contenu bien structuré et vérifiable, que les LLM traitent bien. Les treize articles synthétisés ici couvrent les trois disciplines et tous les niveaux, des classes du secondaire (Primaire et secondaire (K-12)) aux cours universitaires (Enseignement supérieur) et aux programmes de formation des enseignants en formation initiale. Dans l'ensemble, un tableau cohérent se dégage : l'IA fonctionne mieux non comme génératrice de réponses mais comme partenaire intégrée — co-chercheuse, génératrice de contenu, assistante de laboratoire virtuelle — dont la contribution est déterminée par le conception pédagogique et la structure pédagogique environnante.

Une évaluation randomisée de quatre semaines d'une plateforme de révision par IA en sciences au niveau GCSE donne à ce tableau une estimation causale — g de Hedges = 0.33, sans preuve que l'effet diffère selon la matière ou le désavantage — mesurée contre un contre-faituel déjà riche en technologies, si bien que ce chiffre représente une valeur ajoutée et non l'IA opposée à rien (Harrison et al. (2026)).

Ces constats au niveau de la classe s'inscrivent dans une question méthodologique plus vaste. Martin, Rost, Koenen et Graulich (2026) soutiennent que la recherche en enseignement des sciences traverse peut-être actuellement une itération épistémique, en s'appuyant sur le récit par Hasok Chang (2004) d'étapes successives de connaissance qui se construisent de façon itérative vers des objectifs épistémiques spécifiques. Dans leur lecture, les méthodologies d'IA pourraient transformer non seulement la manière dont le champ analyse l'apprentissage des élèves, mais aussi les objectifs, critères et pratiques épistémiques qu'il privilégie. Ils proposent un cadre réflexif en sept phases (cadrage du problème ; instrumentation et mesure ; expérimentation et inférence fondée sur les preuves ; comparaisons et réplication ; construction de normes et de consensus ; mise en œuvre et ses conséquences ; et raffinement continu), illustré par le développement de la thermométrie sur environ 150 ans, et le présentent comme un instrument réflexif plutôt que comme une méthode validée ou un constat empirique.

Laboratoires virtuels et simulations

L'IA abaisse considérablement la barrière à la création d'instrumentation scientifique personnalisée et incarnée. Levy et al. montrent qu'une invite en langage naturel de quatre éléments peut générer une simulation de physique en réalité augmentée contrôlée par la main (un geste de pincement et d'écartement règle la longueur d'onde d'une lampe virtuelle), 86% des élèves pilotes déclarant un engagement accru. De même, Suñer et al. ont généré entièrement par prompting un laboratoire de rotation fonctionnant dans le navigateur, validé par comparaison avec une analyse vidéo à mieux que 1%. Ces travaux recadrent l'IA générative comme un outil de programmation permettant aux enseignants de concevoir des logiciels autour d'une intention pédagogique plutôt que d'adapter les activités à des applications figées — faisant progresser l'apprentissage incarné et fondé sur la Simulation. En Enseignement de la chimie, Abdikayumova & Madybekova ont intégré les simulations PhET et le tutorat par ChatGPT dans un cycle d'investigation contextualisé 7E pour des élèves de 10e année, obtenant des résultats et un engagement significativement supérieurs à ceux de chaque composant pris séparément — ce qui montre que la contextualisation, la démarche d'investigation structurée et l'IA adaptative agissent en synergie. L'analyse comportementale de la manière dont les apprenants travaillent dans de tels environnements de modélisation renforce cette leçon de conception : en suivant 315 apprenants en ligne construisant des modèles écologiques dans VERA, An, Hammock & Goel (2025) ont constaté que les apprenants qui s'engagent dans une exploration complète, guidée par des hypothèses, construisent les modèles les plus complexes et les plus diversifiés, tandis que les apprenants à dominante d'observation copient largement les modèles existants — ce qui suggère que les outils de modélisation scientifique devraient activement encourager le comportement exploratoire de cycle complet plutôt que de laisser les apprenants dans un mode passif dominé par l'observation.

Tuteurs IA et apprentissage par investigation

L'apprentissage par investigation est un thème central. La revue systématique de Jiang et al. portant sur 24 études positionne ChatGPT comme un « co-chercheur alimenté par l'IA » (AI-powered co-inquirer) utilisé principalement dans les phases de conceptualisation, d'investigation et de discussion de la démarche d'investigation STIM, améliorant la performance, la pensée critique et l'engagement — tout en comportant des risques de dépendance excessive, d'hallucination et de conclusions superficielles lorsque les productions sont traitées comme faisant autorité. Aydın a constaté que huit semaines de démarche d'investigation guidée assistée par IA ont produit d'importants gains dans la compréhension conceptuelle de la photosynthèse et de la respiration chez des enseignants en formation initiale, alors que la littératie en IA et la pensée computationnelle n'ont montré aucun changement significatif — ce qui suggère que l'apprentissage disciplinaire peut progresser même lorsque des compétences plus larges exigent un enseignement plus long ou plus explicite. Tufino & Damiani montrent que l'IA peut étayer le cœur épistémique de la démarche d'investigation ISLE tout en restant confinée au canal verbal, mais ont trouvé la facilitation fragile : sous la pression des élèves, l'IA a « inventé » des valeurs de masse que personne n'avait mesurées, soulignant le risque d'hallucination et la nécessité de vérifier plutôt que de présumer la fidélité de l'IA. Kuhn et al. proposent le cadre AIRIS (Activate–Inquire–Reflect) pour garder la prédiction, l'interprétation et l'évaluation comme des tâches humaines non délégables, et appellent à des expériences en « condition de retrait » (withdrawal condition) testant si l'apprentissage survit au retrait de l'IA — une réponse directe au « problème de la grenouille qui bout » (boiling frog problem) que constitue l'érosion de la pratique épistémique. Le jugement d'experts sur des plans de cours générés par l'IA étend cette leçon de conception aux sciences alignées sur le programme : Karaismailoglu, Surmeli et Yildirim (2026) ont demandé à onze spécialistes turcs de l'enseignement des sciences d'évaluer ChatGPT-4 et un outil centré sur l'éducation (Teacher's Buddy) sur des plans de sixième pour une unité « Sustainable Living and Biodiversity » alignée sur le modèle Engineering fondée sur la conception Learning (EDBL). Les deux plateformes ont obtenu les meilleurs scores sur « Presenting the solution » mais les plus faibles sur les Engineering Skills (outil généraliste x̄ = 37.45 ; outil centré sur l'éducation x̄ = 41.45) — une faiblesse commune dans la simulation des étapes itératives et processuelles (prototypage, analyse des échecs, révision, nouveau test réflexif) qui définissent l'apprentissage fondé sur la conception — et seulement 3 des 11 experts ont jugé l'un ou l'autre plan directement « Applicable », 7 les notant « Can be applied by correction ».

Un examen conceptuel fonde théoriquement le canal matériel : la science est un système ouvert qui réexamine les affirmations au regard des preuves physiques, tandis qu'un modèle de langue est opérationnellement fermé aux preuves au moment de l'inférence (Muminova & Mamatkulov, 2026).

Conceptions erronées et changement conceptuel

Sur le changement conceptuel, les données sont nuancées et en partie contre-intuitives. Akdoğan a constaté, dans un devis Solomon à quatre groupes portant sur 413 élèves, que les textes de changement conceptuel écrits par des experts et ceux générés par l'IA étaient tous deux significativement plus efficaces pour réduire les conceptions erronées sur la chaleur et la température que le dialogue interactif avec l'IA, qui n'offrait aucun avantage par rapport au groupe témoin — positionnant la valeur pédagogique actuelle de l'IA comme celle d'un générateur de contenu évolutif plutôt que d'un tuteur interactif, avec des gains concentrés parmi les élèves les plus performants (un enjeu d'équité). Ce constat est renforcé par Borse et al., qui montrent que la spécificité des invites façonne la qualité des solutions de physique et que la critique guidée par MAPS prépare mieux les élèves à évaluer les productions de l'IA que la résolution de problèmes indépendante, en traitant la faillibilité de l'IA comme une ressource d'apprentissage pour la pensée critique.

Correction automatique et évaluation

La correction par IA progresse rapidement sur des travaux à enjeux élevés. Pathak et al. ont corrigé 10,364 pages numérisées d'évaluations manuscrites de physique (y compris une olympiade nationale et un camp de sélection d'équipe), obtenant de fortes corrélations de scores (0.91–0.97) et retrouvant la même équipe de cinq élèves que la correction humaine — soutenant que l'IA fonctionne comme un second correcteur valide et comme outil d'audit sous le contrôle de l'examinateur, à condition de recevoir des grilles détaillées et spécifiques à la physique. La correction automatique des questions à réponse courte possède une filiation plus longue et plus fondamentale dans les architectures transformer : la revue de portée de Morley et al. portant sur 21 études (2017–début 2024) a constaté que les modèles de la famille BERT ont dominé la correction automatique des questions de sciences à réponse courte jusqu'en 2021, avant que les approches fondées sur GPT ne soient adoptées par prompting à partir de ~2022, que les modèles enrichis de données du domaine (manuels, grilles, pré-entraînement supplémentaire) surpassaient systématiquement les lignes de base, et que des menaces non résolues pour la fiabilité, l'explicabilité et l'équité plaident pour de tels correcteurs automatiques comme des appuis et non des remplacements des examinateurs humains. Or le Référentiel OmniPhys de Chen et al. révèle que les LLM multimodaux accusent encore des lacunes significatives sur le raisonnement complexe et sur la génération de schémas, ce qui invite à ne pas trop se fier à l'évaluation automatisée de physique sur les tâches authentiques et riches en représentations qui définissent la compétence disciplinaire profonde. Un pendant en chimie aiguise la dépendance au format : Cvengros & Kortemeyer ont corrigé l'examen final manuscrit de chimie générale de 296 élèves avec un Grands modèles de langue (LLM) multimodal, trouvant une forte concordance avec les assistants d'enseignement pour les réponses textuelles et de réactions chimiques, mais une performance pire qu'aléatoire sur le dessin et la construction de graphiques (les trames de fond perturbent la vision de l'IA) — ce qui montre qu'une correction par IA fiable en sciences est sélective selon le format de réponse et requiert un renvoi, fondé sur le niveau de confiance, à des examinateurs humains pour les items graphiques, plutôt qu'une approche uniforme du type « tout corriger ».

Perceptions des enseignants et regard critique

La préparation des enseignants est décisive. Amponsah et al. ont constaté que des enseignants de sciences ghanéens en formation initiale ont des attitudes positives et de fortes intentions envers l'IA, mais seulement un usage réel modéré en classe — un écart entre intention et usage qui désigne la compétence des enseignants en IA et le soutien institutionnel comme les véritables leviers. Becker et al. et Fouad & Bentley documentent que les élèves de physique sont des sceptiques calibrés par leur domaine, et non des adeptes sans esprit critique : un écart confiance-utilité de 50 points (91% d'usage, 41% de confiance) et deux profils d'utilisateurs distincts (Pragmatic Users contre Skeptical Non-Users) qui mettent en cause les politiques uniformes. En contrepoint de l'optimisme technologique, Avraamidou met en garde contre une « colonisation par l'IA » de l'enseignement des sciences — extraction sans consentement, monoculture algorithmique, et réforme déshumanisée centrée sur le profit — et appelle une IA féministe et centrée sur l'humain qui privilégie la justice plutôt que le profit, tandis que la revue systématique de 18 études d'Erümit & Özdemir Sarıalioğlu souligne les risques éthiques (biais, hallucination, plagiat, érosion de la pensée indépendante) et la nécessité d'une formation des enseignants et d'un usage conscient. La leçon collective des treize articles est que l'IA dans l'enseignement des sciences produit des gains lorsqu'elle est intégrée à une démarche d'investigation, à un étayage et à une conception de l'évaluation solides — et qu'elle sape l'apprentissage lorsqu'elle se substitue au travail épistémique que les élèves doivent accomplir eux-mêmes.

Schroeder et al. (2026) se demandent dans quelle mesure les modèles généraux traitent le contenu scientifique lui-même : sur des ensembles d'items alignés sur les normes NGSS pour le collège (1,078 items) et le lycée (1,150 items), neuf modèles à poids ouverts ont pour la plupart dépassé les 90%, la taille du modèle n'étant pas liée à l'exactitude, et un enseignant de sciences a jugé 236 items sur 240 échantillonnés (98.3%) alignés tout en signalant l'absence de schémas, d'interprétation de données et de représentation mathématique — les items purement textuels ne peuvent exercer toutes les attentes de performance des NGSS. La difficulté élevée des items et leur faible pouvoir discriminant laissent ouverte la question de savoir si ce sont les items qui doivent être améliorés ou si l'enseignement des sciences au secondaire est devenu accessible pour cette classe de modèles, et les auteurs considèrent la rétroaction multitour fondée sur les preuves comme la norme manquante.

Concepts liés

Métadonnées

Discipline	Science Education, Stem Education
Apprentissage et enseignement	Apprentissage par la recherche (Inquiry-Based Learning)
Technologies et techniques	L'IA générative

Source History Edit Chat