L'expérience étudiante

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'expérience étudiante (Student experience) — la manière dont les apprenants perçoivent, interagissent avec et sont affectés par les outils d'IA dans les contextes éducatifs. Avec plus de 85 articles dans la base de connaissances, l'expérience étudiante est l'une des dimensions les plus étudiées de l'IA en éducation. L'IA a sur les étudiants des effets à la fois positifs et négatifs, et un même outil peut à la fois aider et nuire selon la manière dont il est conçu et utilisé.

Questions à examiner

La page affirme que l'IA affecte les étudiants dans les deux sens, souvent simultanément — un même outil peut à la fois aider et nuire selon sa conception et son usage. Pouvez-vous donner un exemple tiré de votre propre expérience où l'IA a aidé et nui en même temps ?
Elle décrit un « écart entre performance et apprentissage » : les étudiants réussissent mieux avec l'IA mais moins bien sur des tâches ultérieures non assistées. Comment pensez-vous que cet écart apparaît, et que faudrait-il pour le combler ?
Si la dépendance excessive à l'IA signifie déléguer le raisonnement que vous avez justement besoin d'exercer, où traceriez-vous la frontière entre une aide légitime et une délégation qui érode l'apprentissage ?
La recherche demande si le simple fait de savoir que l'IA est disponible change l'effort des étudiants. Pensez-vous que la conscience de l'IA pousse les étudiants à travailler davantage, moins, ou différemment — et comment mettriez-vous votre conviction à l'épreuve ?
Étant donné que l'accès à l'IA et son efficacité varient selon les populations étudiantes, quelles questions d'équité vous semblent les plus importantes lorsqu'un cours adopte un outil d'IA, et qui est responsable de les traiter ?

Introduction

Comment l'expérience étudiante est étudiée

Enquêtes à grande échelle : AI in the Wild analyse les interactions authentiques de milliers d'étudiants à l'université, tandis que les études sur la disponibilité et la satisfaction mettent en corrélation l'accès à l'IA avec les résultats des étudiants. Ce sont des mesures auto-déclarées : elles saisissent bien les perceptions et les intentions, et seulement approximativement les comportements.
Le non-usage est une position raisonnée, non un manque à combler. Une enquête interinstitutionnelle britannique menée auprès de 7,087 étudiants a montré que 32% n'utilisaient pas du tout l'IA générative pour étudier, les non-utilisateurs invoquant la volonté de faire le travail eux-mêmes (86%), l'inexactitude (81%) et des préoccupations éthiques ou environnementales (Gow et al., 2026).
Configurations d'interaction : Tracing GenAI literacy cartographie la manière dont les étudiants s'engagent avec l'IA à travers les travaux. L'analyse des invites révèle les niveaux d'engagement cognitif à travers la structure des invites.
Motivation et agentivité : la disponibilité de l'IA et la motivation examine si le simple fait de savoir que l'IA est disponible change l'effort des étudiants. La mission inachevée de l'AIED présente l'agentivité et la motivation comme des défis centraux.
Perceptions et attitudes : les enquêtes sur l'usage de l'IA générative et les études sur les modèles mentaux examinent la manière dont les étudiants comprennent l'IA et lui font confiance.
Dimensions d'équité : l'expérience étudiante recoupe l'équité en IA éducative — l'accès à l'IA et son efficacité varient selon les populations étudiantes.

Les manières dont l'IA affecte les étudiants

L'IA affecte les étudiants selon les dimensions cognitive, motivationnelle, affective, identitaire, sociale et d'équité. La recherche fait état d'impacts positifs et négatifs dans chaque dimension, souvent simultanés — la direction dépend de la conception et de l'usage.

Impacts cognitifs

Positif : l'IA peut étayer l'apprentissage par la rétroaction, des indices et des explications, en soutenant la compréhension, la pratique et la demande d'aide. Les étudiants peuvent utiliser l'IA pour apprendre à bien l'utiliser, et des outils bien conçus laissent l'apprenant effectuer le travail cognitif (voir Does AI help students learn?).
Négatif : l'IA peut entraîner une dépendance excessive et une délégation cognitive, les étudiants déléguant le raisonnement qu'ils ont besoin d'exercer. C'est l'écart performance–apprentissage : les étudiants réussissent mieux avec l'IA mais moins bien sur des tâches ultérieures non assistées (voir Mésusages de l'IA et préjudice pour l'apprentissage). La surutilisation peut aussi éroder la métacognition et l'apprentissage autorégulé.

Impacts motivationnels

Positif : l'IA peut accroître la motivation et l'engagement en fournissant un soutien personnalisé, immédiat et à faible enjeu — aidant les étudiants à persévérer et à se sentir compétents (voir les perspectives de la théorie de l'autodétermination sur l'autonomie, la compétence et le lien avec autrui).
Négatif : le simple fait de savoir que l'IA est disponible peut réduire l'effort des étudiants et leur motivation à lutter de manière productive (la disponibilité de l'IA et la motivation, l'écart de sécurité). La dépendance excessive peut éroder l'agentivité et le sentiment d'accomplissement qui naît du travail fait soi-même.

Impacts affectifs et sur le bien-être

Positif : l'IA peut offrir une aide à la demande, sans pression, et réduire l'anxiété liée au fait de poser des questions, en soutenant le bien-être et la confiance.
Négatif : l'usage de l'IA est associé à l'anxiété et au stress, notamment la crainte d'être remplacé, l'incertitude de l'évaluation et la pression de rester à niveau. Des études telles que une analyse complète de l'anxiété liée à l'IA et AIvaluate documentent ces coûts affectifs. La honte et la culpabilité autour de l'usage de l'IA peuvent pousser à cacher et à divulguer de manière sélective, nuisant à l'engagement honnête et au bien-être socioémotionnel. Ces pressions sont locales et sociales plutôt qu'écrites : voir les normes sociales de l'usage de l'IA. Les conditions d'évaluation ajoutent leur propre pression : une revue de portée sur la surveillance à distance dans l'évaluation en soins infirmiers constate que les étudiants sont anxieux au sujet de la connectivité et de la crainte d'être accusés à tort de tricherie, les primo-utilisateurs d'une application de surveillance la décrivant comme génératrice d'anxiété et rapportant des difficultés de concentration lorsqu'ils sont observés, et environ un cinquième d'entre eux rencontrant des défaillances d'extension de navigateur ou de connectivité malgré les ressources préparatoires.

Impacts identitaires

Positif : l'IA peut soutenir la formation de l'identité en étayant l'appartenance disciplinaire, la confiance et les aspirations professionnelles — aidant par exemple les étudiants à se percevoir comme des praticiens capables.
Négatif : l'IA peut menacer l'identité d'apprenant par la perte d'autorialité et le doute sur ses compétences — lorsque l'IA produit le travail, les étudiants peuvent cesser de le sentir comme « le leur ». Le paradoxe de la compétence dans les domaines créatifs montre que la facilité d'usage sape l'identité fondée sur le savoir-faire que les étudiants tirent de l'autorialité.

Impacts sur l'intégrité académique et l'équité

Négatif : l'IA rend possibles de nouvelles formes de malhonnêteté académique (dissertations générées par l'IA, travaux réalisés sans autorisation), alimentant les débats sur la détection et la réduction de ces pratiques. Cela interagit avec l'équité : un accès inégal aux outils d'IA et une compréhension inégale de ceux-ci peuvent creuser les écarts entre étudiants.
Positif/constructif : l'IA peut soutenir une évaluation authentique, axée sur le processus et une pratique réflexive (par exemple l'auto-évaluation guidée), transformant les préoccupations d'intégrité en occasions de développer la littératie en IA et le sens des responsabilités.

Les récits des étudiants sur l'intégrité sont moins arrêtés que ne le suggère le cadre de la malhonnêteté. Mulisa et Mezgebu (2026) ont interrogé 27 étudiants de premier cycle dans une université éthiopienne et ont trouvé un corps étudiant divisé contre lui-même : presque tous utilisaient l'IA générative ou avaient vu des pairs l'utiliser et la plupart lui attribuaient l'amélioration de leurs résultats, une minorité qualifiait carrément son usage dans les travaux de faute, et la plainte la plus vive et la plus largement partagée portait sur l'équité — les utilisateurs d'IA obtenant de meilleurs scores que les étudiants qui travaillaient honnêtement, ce que certains décrivaient comme anéantissant leur sens de la diligence et laissait un participant dans l'incertitude « quant à savoir si nous tirons profit ou souffrons de l'usage de l'IA ». La procédure compte aussi : Munoz et al. (2026) ont codé 1,162 cas de manquement lié à l'IA générative et ont constaté que les preuves les plus souvent citées — les résultats des détecteurs, les rapports de similarité, les configurations de contenu typiques de l'IA — avaient la valeur probante la plus faible, et que, en l'absence de seuil minimal de preuve dans le circuit, les étudiants aux dossiers minces étaient poussés vers les recours. Des définitions trop inclusives élargissent cette exposition : Wright (2026) montre que des interdictions visant l'« IA générative » peuvent attraper des outils qui ne font que convertir le format d'un travail déjà rédigé par l'étudiant, une sur-inclusion qui pèse le plus lourdement sur les étudiants handicapés et exposés aux questions d'équité. Sharma (2026) indique la voie constructive, traitant l'intégrité comme une pratique pédagogique mise en œuvre par le jugement évaluatif — traces de décision annotées, vérification, défense orale, historique des versions — plutôt que comme une conformité obtenue par la surveillance.

La vérification peut changer la manière dont les étudiants vivent la question : une demande d'expliquer leur travail a d'abord été lue comme une accusation, mais une fois que le syllabus l'a présentée à l'avance comme une démarche pédagogique plutôt que comme de la surveillance, ils ont divulgué leur usage de l'IA plus ouvertement et traité les travaux comme des tâches d'apprentissage, dans des conversations de cinq à dix minutes (Mandernach, 2026).

Impacts sociaux et relationnels

Positif : l'IA peut servir de médiation à la collaboration et à l'interaction humain-IA, en soutenant le travail d'équipe, l'interaction entre pairs et l'accès à des perspectives diverses.
Négatif : l'IA peut réduire les interactions authentiques entre pairs et avec l'enseignant, créer des dynamiques sycophantiques et — lorsqu'elle opère comme coéquipier non divulgué — remodeler le discours de groupe et l'agentivité de manière que les apprenants ne peuvent ni voir ni contester (voir l'agentivité émergente de l'apprenant dans l'IAH implicite).

Impacts à long terme / sur les capacités

Positif : l'IA peut aider les étudiants à développer des compétences transférables pour un lieu de travail intégrant l'IA — des capacités adaptatives telles que la littératie en IA, la cognition distribuée et la métacognition — et élever les attentes quant à la préparation aux compétences en IA (les attentes en compétences IA pour les diplômés).
Négatif : une expérience d'IA dépendante ou irréfléchie peut rendre les étudiants moins capables de travailler sans IA, moins exercés au raisonnement indépendant, et incertains de leurs propres capacités (voir les dommages causés à l'apprentissage par les mésusages de l'IA).

En résumé : un même outil d'IA peut soutenir ou saper les étudiants selon sa conception et son usage. Le garde-fou constant est de laisser l'apprenant effectuer le travail cognitivement important tout en utilisant l'IA comme appui (étayer, ne pas remplacer), et de prendre en compte l'ensemble des impacts — pas seulement la performance. Une configuration change le point où l'expérience commence : lorsque l'IA génère elle-même les lectures du cours plutôt qu'elle n'aide aux devoirs, les étudiants deviennent les auditeurs de leur propre programme. Dans le cours de deuxième cycle de Sidorkin (2026), les étudiants ont apprécié la spécificité contextuelle et l'ajustabilité des textes générés et 75 pour cent ont convenu avoir appris davantage que dans un cours comparable sans compagnon d'IA, alors même qu'ils devaient déduire la qualité des sources du contexte parce que les liens vers Wikipédia et les citations évaluées par les pairs apparaissaient dans les mêmes listes sans étiquettes, et que quatre des 24 personnes ayant répondu à l'enquête ont employé un langage de dépendance, l'une se décrivant comme « quelque peu codépendante de l'IA pour se rassurer et se structurer ».

Les résultats les plus longs qu'un étudiant expérimente — qu'il revienne ou non au semestre suivant, accumule des crédits et obtienne son diplôme — sont institutionnels plutôt que pédagogiques, et le soutien et la réussite des étudiants suit la manière dont le soutien par l'IA les affecte : l'achèvement des tâches évolue facilement, la persévération et l'obtention du diplôme bien moins.

Connexions

L'expérience étudiante est en lien avec la délégation cognitive (dépendance excessive à l'IA), la littératie en IA (compétences pour un usage efficace), la délégation cognitive (la manière dont l'IA change le travail cognitif) et l'engagement (la manière dont les systèmes d'IA mesurent et répondent au comportement des étudiants). Elle est le membre du côté apprenant du parapluie des acteurs, et le lieu de synthèse de toutes les manières dont l'IA affecte les étudiants.

Concepts liés

Apprenants — Les apprenants : le parapluie des concepts du côté de l'apprenant
Partenariats pédagogiques — Partenariats pédagogiques
Identité de l'apprenant — identités d'apprenant disciplinaires, professionnelles, créatives et académiques en évolution
L'agence de l'apprenant
Le bien-être
Anxiété et stress
L'apprentissage socioémotionnel
Surveillance à distance des examens
L'IA générative
Grands modèles de langue (LLM)
Enseignement supérieur
Littératie en IA
Délestage cognitif
L'équité
Primaire et secondaire (K-12)
L'étayage
La métacognition
L'apprentissage autorégulé
La manière dont l'usage de l'IA est présenté aux étudiants
Intégrité académique
Parties prenantes — Parapluie : les personnes et les publics de l'IA en éducation (apprenants, enseignants, concepteurs, administrateurs, décideurs publics)
Les mesures auto-déclarées
L'engagement des étudiants — la manière dont les systèmes d'IA mesurent et répondent au comportement des étudiants
Normes sociales de l'usage de l'IA — la manière dont l'usage de l'IA devient visible pour les pairs
Soutien aux étudiants et réussite — le volet institutionnel du soutien : ce que l'université fait pour les étudiants, plutôt que ce qui se passe dans un cours

FAQ liées

Métadonnées

Niveau	Higher Ed, K 12
Apprentissage et enseignement	Le bien-être
Technologies et techniques	L'IA générative, Grands modèles de langue (LLM)
Équité, éthique et usage responsable	L'équité
Fondements de l'IA dans l'éducation	Littératie en IA, Délestage cognitif

Source History Edit Chat