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.

Synthèse : Le premier cycle universitaire est le lieu où l'IA rencontre les plus grands effectifs et l'évaluation la plus standardisée : des cours d'introduction de première et deuxième année où un enseignant forme plusieurs centaines d'étudiants selon une grille commune. Les essais à ce niveau se divisent selon la conception plutôt que selon le modèle. Un tuteur construit à partir de la pédagogie propre à un cours a battu l'apprentissage actif en classe, tandis qu'un assistant de cours bien ancré, déployé sans intégration pédagogique, a fait baisser les notes et la participation. Les données les plus solides portent sur la rétroaction à grande échelle, les dispositifs d'aide d'étayage, le matériel d'étude vérifié et les relances qui déplacent les échéances administratives ; les plus faibles sur l'idée qu'un assistant général accroît ce que les étudiants savent faire sans aide.

Questions à examiner

  • Si un tuteur augmente de deux points et demi les notes de devoirs mais ne déplace pas l'examen, qu'a acheté le cours ?
  • Les notes ont baissé dans un cours où six étudiants sur sept n'ont jamais ouvert le chatbot. Qu'a changé la seule disponibilité ?
  • Qu'est-ce qui est le plus défendable dans un cours de 600 étudiants : détecter les travaux rédigés par l'IA, ou changer ce que le travail doit contenir ?
  • Que peut supposer un cours de première année sur les habitudes d'IA que les étudiants ont acquises au secondaire ?
  • Quand l'unité de conception est une cohorte de 900 plutôt qu'un apprenant, quelles affirmations de personnalisation survivent ?

Introduction

Les études de premier cycle sont des cursus de bachelor : cours magistraux, sections, laboratoires et cours de service, évalués en continu et cumulés en un diplôme. Les étudiants sont des adultes qui choisissent leur temps d'étude, enseignés en cohortes bien plus grandes que n'importe quelle classe scolaire. Ils ne sont pas encore chercheurs, et aucun directeur de recherche n'est chargé de former leur jugement, ce qui sépare ce cycle des études supérieures.

L'échelle est la contrainte déterminante. Un cours d'introduction en physique, en économie ou en programmation peut inscrire plusieurs centaines à quelques milliers d'étudiants, avec des assistants d'enseignement qui corrigent chacun des dizaines de dissertations ou de preuves. Le volume de rétroaction, la disponibilité de l'aide et le coût de remarquer un étudiant en difficulté sont les problèmes de conception récurrents. La question qui décide si l'IA a aidé n'est pas de savoir si le système a produit une réponse, mais ce que les étudiants ont encore fait lorsqu'il l'a produite.

Ce que les données probantes mesurent à ce niveau

Les essais au premier cycle sont faciles à compter et difficiles à comparer. Le résultat est généralement une note de cours, un test rédigé par l'enseignant ou une grille appliquée à une production.

Tutorat et aide en grands effectifs

Le résultat positif le plus marquant vient d'un tuteur construit à partir de la pédagogie propre à un cours, non d'un assistant général.

L'écart entre le score et l'apprentissage

Quatre dispositifs séparent le score à la tâche assistée de ce que les étudiants pouvaient faire sans aide, et ils s'accordent sur la direction.

Le mécanisme habituellement invoqué est le délestage cognitif : l'outil exécute le processus que la tâche était censée susciter. Ce qui suit est un ordonnancement plutôt qu'une interdiction — une tentative d'abord, l'aide ensuite, et un jugement noté sans l'outil.

Ce que les étudiants déclarent sur eux-mêmes

Les enquêtes à ce niveau demandent aux étudiants ce qu'ils ont gagné, et leurs réponses s'accordent mal avec ce qu'ils disent avoir fait. Torres-Peralta et al. (2026) ont interrogé 1,477 répondants dans le Sonora, au Mexique, dont 765 étudiants universitaires. Leur indice d'engagement repose sur trois comportements déclarés — lire, modifier et ajouter ses propres idées — et il n'a que très peu bougé avec une seule auto-évaluation de l'apprentissage sur 0–10, à une corrélation agrégée de 0.052. Les étudiants universitaires utilisaient ChatGPT plus que les lycéens et évaluaient leur apprentissage à peine plus haut. Les auteurs lisent ce résultat comme un avertissement sur la validité de l'évaluation plutôt que comme un verdict sur l'apprentissage, puisque aucun résultat n'a été mesuré.

Lorsque les prédicteurs sont eux aussi auto-déclarés, un modèle décrit un état d'esprit plus qu'un mécanisme. Kumar et al. (2025) ont modélisé les chemins vers la performance auto-déclarée aux devoirs chez 304 étudiants de deux universités du Karnataka. La littératie numérique atteignait β = 0.393 et l'utilité perçue β = 0.259, tandis que la conscience éthique ne prédisait pas la performance (β = −0.006, p = .924). Performance, littératie et éthique étaient toutes auto-évaluées, si bien que le chemin le plus fort dit que les étudiants qui s'estiment numériquement lettrés estiment aussi leur travail plus haut. Le résultat nul sur l'éthique reste le plus utile : les auteurs le lisent comme une éthique qui façonne la conduite plutôt que les notes, et recommandent d'évaluer directement la divulgation et la citation.

La comparaison entre niveaux fait apparaître le premier cycle comme inégal plutôt qu'uniformément bas. Zaripova et al. (2026) ont comparé 381 étudiants d'une université technique d'Ouzbékistan sur un sous-échantillon équilibré de 302. Les étudiants de premier cycle moyennaient 3.527 sur l'échelle d'éthique contre 4.627 pour les étudiants de troisième cycle, avec d = 1.47 pour l'éthique et l'autonomie académique. La charge cognitive perçue ne différait pas selon le niveau (p = .296). Les distributions portent le point de conception : les écarts-types des étudiants de troisième cycle sur l'éthique et l'autorégulation valaient environ un tiers de ceux du premier cycle, tandis que les étudiants de premier cycle atteignaient le minimum de l'échelle. Une cohorte de première année réunit donc des étudiants qui évaluent critiquement une production à côté d'étudiants qui déclarent presque rien de cette disposition.

Lus ensemble, ces enquêtes montrent ce que l'auto-déclaration peut et ne peut pas établir. Elles établissent la distribution et le concept de soi — à quel point une cohorte est dispersée, comment les étudiants s'évaluent — et non l'apprentissage. Les données de performance ci-dessus sont ce qui sépare les deux, du test de rétention à 57.5 % contre 68.5 % au gain de 0.54 SD qui disparaît au retrait du chatbot. Les gains auto-déclarés et les prédicteurs auto-déclarés exigent donc la même prudence dans des directions opposées. Un gain mesuré par auto-évaluation peut être de la compétence ou de la confiance, et un prédicteur mesuré de la même façon peut suivre le résultat parce qu'un seul instrument a produit les deux. Le test est de savoir si un dispositif change quelque chose que l'étudiant fait : un brouillon révisé, une source vérifiée, un usage divulgué.

Écriture, rétroaction et intégrité

L'écriture est le lieu où l'usage de l'IA est le plus visible et où le contrat d'évaluation est le plus faible, parce qu'une copie fluide ne porte aucune trace du processus qui la sous-tend.

La première année : transition, accompagnement et soutien

Les étudiants de première année arrivent avec des habitudes formées à l'école et peu de légitimité pour questionner une réponse plausible. Les outils qui leur sont destinés font surtout un travail administratif.

Connexions

Le premier cycle se situe entre deux cycles étudiés avec des méthodes différentes. L'enseignement secondaire suppose une fréquentation obligatoire, un adulte qui médiatise l'outil et la classe comme unité de déploiement. L'enseignement au premier cycle suppose des apprenants qui fixent leurs propres horaires et traite le cours comme unité. L'enseignement supérieur est le cadre plus large — gouvernance, développement pédagogique, achats et programmes professionnels — et l'essentiel des données sur l'exactitude de la notation et la politique institutionnelle s'y trouve. Les études de cycle supérieur déplacent l'unité de travail du cours vers la recherche supervisée, où la question devient le jugement. L'ensemble des cycles présente la série complète.

Implications pour la pratique

Pour les enseignants

  • Enseignez l'interaction, pas l'outil. Une seule séance de 45 minutes sur ce que le modèle rate a fait passer la part de réponses fausses révisées correctement de 41.3 % à 69.3 % (From answer machine to collaborative partner: impact of structured generative AI training on scientific problem solving in STEM education).
  • Donnez du poids noté à la performance sans aide. Tous les dispositifs qui séparaient les deux ont trouvé que la production assistée s'améliorait d'abord ; notez un travail sans IA.
  • Exigez une tentative avant l'aide. L'interface « tentative d'abord » du cours de preuves de Carnegie Mellon n'entraînait aucune pénalité à l'examen ; le chatbot ouvert, si.

Pour les responsables de cours et de programmes

  • Traitez un chatbot de cours comme une intervention pédagogique. La même technologie n'a produit aucun effet mesurable dans un cours randomisé et a fait baisser les notes dans un autre.
  • Budgétez le travail de vérification. Le matériel d'étude vérifié coûtait 1.8 minute de personnel par étudiant et produisait son plus grand gain chez les étudiants les plus faibles.
  • Surveillez les effets par sous-groupe avant de généraliser. Le différentiel de première génération dans l'essai à 2,379 étudiants était le préjudice le plus important et invisible dans une moyenne de cours.

Pour les chercheurs

  • Rapportez un résultat sans aide et un résultat différé, sinon un effet sur la production sera lu comme un effet sur l'apprentissage.
  • Pré-spécifiez une marge d'équivalence lorsque vous affirmez que la rétroaction par IA vaut celle de l'enseignant.

Idées fausses courantes

  • « Un chatbot de cours est une infrastructure neutre. » Dans l'essai à 2,379 étudiants, 15 % des étudiants ont utilisé l'outil et les notes ont baissé de 0.37 SD, avec une participation en recul de 0.90 SD.
  • « Un score d'exercice plus élevé signifie plus d'apprentissage. » Les utilisateurs de ChatGPT obtenaient 71.84 % contre 29.85 % à un exercice de CS1, tandis que les gains conceptuels étaient statistiquement identiques entre les bras.
  • « Les détecteurs peuvent trancher un cas d'intégrité. » Sept détecteurs moyennaient 61.22 % de faux positifs sur des dissertations de locuteurs non natifs de l'anglais, et 97 % étaient signalées par au moins un.
  • « Un usage quotidien signifie que la littératie en IA peut être supposée. » L'usage déclaré montait chaque année du secondaire tandis que la fiabilité jugée restait plate ; la prudence sur les tâches de recherche n'apparaissait qu'en quatrième année.

Concepts liés

Articles liés

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.