Chapitre 2 : Pourquoi l’IA semble comprendre ?

Opacité, fluidité générative, anthropomorphisme et dette cognitive

Pourquoi les IA génératives donnent-elles l’impression de comprendre, et comment concevoir des situations d’enseignement qui empêchent de confondre réponse plausible, performance visible et apprentissage réel ?

Mots-clés

IA générative LLM LMM Token Pattern matching IA symbolique Machine Learning Deep Learning Transformer Chain-of-Thought Raisonnement latent World Models Clever Hans Illusion de raisonnement Illusion de fluidité Anthropomorphisme Dette cognitive Dette épistémique Supervision critique Boîte de verre

Ce chapitre prolonge le chapitre 1 en vous aidant à :

• Passer de la question “comment apprend-on ?” à la question “qu’est-ce qui donne l’illusion d’avoir compris ?” ;
• Relier mémoire de travail, effort cognitif, prise de notes et externalisation à l’usage des IA génératives ;
• Comprendre pourquoi la fluidité d’une réponse peut désarmer la vigilance critique ;
• Distinguer fonctionnement statistique, raisonnement apparent et compréhension humaine ;
• Repérer les risques de dette cognitive et de dette épistémique ;
• Transformer les évaluations pour rendre visibles le raisonnement, la justification, la correction et le transfert.

Repères essentiels

Ces sept notions permettent d’entrer dans le chapitre sans interrompre la progression. Le glossaire complet est proposé après la conclusion.

Notion	Définition courte	Question pédagogique associée
Anthropomorphisme	Attribution à l’IA de propriétés humaines : comprendre, vouloir, penser, apprendre comme un humain.	Le vocabulaire utilisé brouille-t-il la différence entre machine et cognition humaine ?
Boîte de verre	Évaluation qui rend visibles produit, processus, propos et transfert.	Le raisonnement devient-il observable ?
Boîte noire	Évaluation centrée sur le produit final, sans accès au processus.	Que peut-on réellement inférer du livrable ?
Chain-of-Thought	Texte où un modèle affiche des étapes de raisonnement, sans garantie qu’elles reflètent le processus réellement effectué.	Ces étapes sont-elles une preuve de raisonnement ou une rationalisation post-hoc ?
Clever Hans	Effet par lequel un système semble raisonner alors qu’il réagit à des indices de surface.	L’IA réussit-elle pour les bonnes raisons ?
Deep Learning	Famille de modèles qui apprennent des représentations distribuées et hiérarchiques dans des espaces latents.	Le modèle fonctionne-t-il sans que son cheminement soit explicable ?
Dette cognitive / dette épistémique	Concepts définis dans l’atlas du chapitre 1 ; ils sont utilisés ici pour analyser les effets propres des IA génératives.	Le gain de production masque-t-il une perte de raisonnement, de sources ou de critères ?

Introduction

Le chapitre 1 a posé une distinction centrale :

• accéder à une information ne suffit pas ;
• produire une trace visible ne suffit pas ;
• comprendre suppose de justifier, corriger, transférer et superviser.

Le chapitre 2 applique ce repère à l’IA générative.

Ce que l’IA amplifie :

• une production fluide peut masquer un raisonnement absent ;
• une explication plausible peut donner une illusion de compréhension ;
• un devoir propre peut devenir une preuve fragile ;
• une erreur peut être formulée avec assurance.

Centre de gravité du chapitre : comprendre pourquoi l’IA semble comprendre, puis transformer cette analyse en critères pédagogiques observables.

Le parcours en trois mouvements

Mouvement	Intention pédagogique
1 - Opacité et fluidité générative	Comprendre pourquoi la performance étudiante devient opaque face aux modèles d’apprentissage profond.
2 - Effet Clever Hans et anthropomorphisme	Comprendre comment l’IA brouille les repères du raisonnement et de la compréhension.
3 - dette cognitive et externalisation	Identifier ce qui reste à apprendre quand on peut produire des résultats justes sans comprendre.

Activité : Auto-test de sensibilisation

AstuceAvant de lire : vos représentations de l’IA

Pour chaque affirmation, répondez spontanément : plutôt vrai, plutôt faux, cela dépend, je ne sais pas.

N°	Affirmation diagnostique	Votre réponse
1	Une IA qui explique clairement a probablement compris le sujet.
2	Une chaîne de pensée détaillée est une preuve de raisonnement.
3	Un devoir bien structuré atteste au moins d’une compréhension minimale.
4	Le risque principal de l’IA est de produire des erreurs factuelles.
5	L’IA peut aider les étudiants à apprendre si elle leur fait gagner du temps.
6	La personnalisation par IA permet naturellement de mieux respecter les profils d’apprentissage.
7	Un étudiant qui corrige une réponse IA apprend davantage qu’un étudiant qui l’utilise directement.
8	Une production IA doit être évaluée surtout sur sa qualité finale.
9	L’oral devient plus important pour vérifier la compréhension.
10	La compétence centrale est de savoir superviser l’IA plutôt que seulement l’utiliser.

À reprendre en fin de chapitre : quelles affirmations vous semblent désormais trop simples ? Pourquoi ?

1 - Opacité et fluidité générative : pourquoi la performance étudiante devient-elle opaque face aux modèles d’apprentissage profond ?

🟢 Essentiel 🔵 Approfondissement

Dans ce chapitre, vous allez :

Comprendre	Repérer	Agir
Pourquoi l’IA est passée d’un raisonnement explicite à une performance statistique opaque.	Les situations où un résultat correct ne permet plus d’inférer un raisonnement transparent.	Faire expliciter aux étudiants ce qui relève du résultat, de la méthode et de la justification.

Situation ESR

En algorithmique, un étudiant obtient un code fonctionnel grâce à une IA. Le programme tourne, le résultat est conforme, le rapport est clair. Mais lorsque l’enseignant demande d’expliquer la logique de la boucle ou d’adapter le code à une contrainte légèrement différente, l’étudiant hésite. La performance existe, mais la compréhension reste incertaine.

De l’explicabilité symbolique à l’opacité statistique

Le déplacement historique est simple à retenir : on passe de règles explicites à des régularités apprises.

Moment	Logique dominante	Effet pédagogique
IA symbolique	Règles formalisées.	Le raisonnement paraît retraçable.
Machine Learning	Régularités apprises dans les données.	La performance devient moins lisible.
Deep Learning	Représentations distribuées et latentes.	Le résultat peut être juste sans chemin transparent.

Pour l’enseignant, le point critique n’est donc pas seulement l’exactitude du résultat. C’est la possibilité d’inférer un raisonnement étudiant à partir d’un produit final.

Les modèles génératifs : cohérence textuelle et illusion de compréhension

Les modèles génératifs produisent des textes fluides, structurés et souvent convaincants. Cette qualité active chez le lecteur des indices habituellement associés à la compréhension.

Indice visible	Inférence tentante	Vérification nécessaire
Ton assuré.	Le concept est compris.	Faire expliquer sans reprendre le texte.
Plan cohérent.	Le raisonnement est maîtrisé.	Demander les critères de choix.
Vocabulaire expert.	L’expertise est construite.	Faire transférer à un cas voisin.

Le chapitre 2 prolonge donc le chapitre 1 : une production visible ne suffit pas. Avec l’IA, elle devient même plus difficile à interpréter.

Note

Repère scientifique : voir bibliographie, « Fonctionnement des modèles, opacité et illusion de compréhension ».

Essentiel : résultat correct ≠ raisonnement transparent

Ce que l’on observe	Ce que l’on ne peut pas encore conclure
Le texte est fluide.	L’étudiant ou l’IA comprend le concept.
Le code fonctionne.	La logique algorithmique est maîtrisée.
La démonstration semble cohérente.	Le cheminement est valide.
Le plan est structuré.	Les critères de hiérarchisation sont compris.
Le vocabulaire est expert.	L’expertise est réellement construite.

Point de vigilance : la qualité formelle du résultat devient un indice de plus en plus faible si elle n’est pas accompagnée d’une demande d’explicitation.

Carte : évolution de l’IA et déplacement pédagogique

flowchart TB

  subgraph ligne1[" "]
    direction LR

    subgraph evolution["1. Évolution des systèmes d’IA"]
      direction LR
      A["IA symbolique<br/>Des règles écrites par l’humain"]
      B["Machine Learning<br/>Des régularités apprises à partir de données"]
      C["Deep Learning<br/>Des représentations internes difficiles à interpréter"]
      D["IA générative<br/>Des contenus produits de façon fluide et convaincante"]
      A --> B --> C --> D
    end

    subgraph fonctionnement["2. Ce qui devient moins visible"]
      direction LR
      E["Raisonnement explicite<br/>et cheminement traçable"]
      F["Décision statistique<br/>moins directement explicable"]
      G["Processus interne opaque<br/>malgré de bonnes performances"]
      H["Réponse finale très fluide<br/>sans accès direct au raisonnement qui l’a produite"]
      E --> F --> G --> H
    end
  end

  subgraph ligne2[" "]
    direction LR

    subgraph enjeu["3. Conséquence pour l’apprentissage"]
      direction LR
      I["L’élève peut suivre<br/>la logique du système"]
      J["Le résultat prend davantage<br/>de place que le cheminement"]
      K["La performance visible<br/>ne garantit pas la compréhension"]
      L["Un livrable réussi peut donner<br/>une illusion de maîtrise"]
      I --> J --> K --> L
    end

    subgraph pedagogie["4. Déplacement pédagogique"]
      direction LR
      M["Vérifier principalement<br/>le résultat produit"]
      N["Observer aussi<br/>la démarche de l’étudiant"]
      O["Faire expliciter<br/>choix, étapes et justifications"]
      P["Évaluer le raisonnement,<br/>pas seulement le livrable final"]
      M --> N --> O --> P
    end
  end

  evolution ==> fonctionnement
  fonctionnement ==> enjeu
  enjeu ==> pedagogie

  A -.-> E
  B -.-> F
  C -.-> G
  D -.-> H

  E -.-> I
  F -.-> J
  G -.-> K
  H -.-> L

  I -.-> M
  J -.-> N
  K -.-> O
  L -.-> P

  style ligne1 fill:transparent,stroke:transparent
  style ligne2 fill:transparent,stroke:transparent

Cette évolution ne signifie pas que les systèmes d’IA « raisonnent » de moins en moins. Elle montre surtout que, pour l’utilisateur, le chemin qui conduit au résultat devient de moins en moins accessible, tandis que la qualité apparente du résultat augmente.

Avec l’IA générative, le déplacement pédagogique devient donc majeur : il ne suffit plus d’évaluer ce qui est produit. Il faut aussi rendre visibles la démarche, les choix, les vérifications et le raisonnement de l’étudiant.

Approfondissement : chain-of-thought et raisonnement latent

Les chaînes de pensée textuelles donnent l’impression que le raisonnement du modèle devient visible. Pourtant, les ressources mobilisées soulignent que ces traces peuvent être des rationalisations post-hoc plutôt qu’une représentation fidèle des mécanismes internes. Cette prudence est importante pédagogiquement : demander à une IA de détailler ses étapes ne suffit pas à garantir que ces étapes correspondent au processus réel ayant produit la réponse.

Les recherches sur le raisonnement latent, les dynamiques internes des modèles et les world models rappellent que le débat scientifique reste ouvert. Il ne s’agit donc pas d’affirmer que les modèles ne font “que” répéter, ni de leur attribuer une compréhension humaine. L’enjeu pédagogique est plus précis : ne pas confondre un texte explicatif avec une preuve de compréhension.

Note

Pour aller plus loin : voir bibliographie, « Fonctionnement des modèles, opacité et illusion de compréhension ».

NoteCharte IA de l’INSA Lyon

Ce passage éclaire le principe de transparence : un résultat correct ne suffit pas si le raisonnement, les sources et les limites restent invisibles.

NoteTransition

Après l’opacité technique, le problème devient interprétatif : pourquoi attribuons-nous si vite de la compréhension à une sortie fluide ?

2 - Effet Clever Hans et anthropomorphisme : comment l’IA brouille-t-elle les repères du raisonnement et de la compréhension ?

🟢 Essentiel 🟡 Recommandé 🔵 Approfondissement

Dans ce chapitre, vous allez :

Comprendre	Repérer	Agir
Comment la performance peut masquer une fracture du raisonnement.	Les indices de Clever Hans, d’illusion de fluidité et d’anthropomorphisme.	Concevoir des tâches qui obligent à tester le cheminement plutôt que le résultat seul.

Situation ESR

En thermodynamique, une IA produit une démonstration étape par étape. Le texte semble cohérent et convaincant. Mais une hypothèse physique est absurde. Si les étudiants ne disposent pas des critères conceptuels pour repérer l’erreur, la fluidité du texte peut renforcer une fausse compréhension au lieu de la corriger.

Note

Repère scientifique : voir bibliographie, « Anthropomorphisme, misconceptions et neuromythes ».

Carte : Clever Hans, illusion de raisonnement et anthropomorphisme

Étape	Risque d’illusion	Test pédagogique
1. Réponse IA correcte	Le résultat paraît suffisant.	Demander pourquoi la réponse est correcte.
2. Indices de surface	Effet Clever Hans : réussite sans raisonnement robuste.	Changer le contexte, le symbole ou la forme.
3. Texte fluide	Illusion de raisonnement : le chemin affiché masque le processus réel.	Demander le point de rupture et une justification.
4. Vocabulaire humain	Anthropomorphisme : l’IA est perçue comme sujet comprenant.	Reformuler en opérations : prédire, associer, générer, vérifier.
5. Acceptation trop rapide	Dette cognitive possible.	Exiger correction, justification et transfert.
6. Chemin vérifiable	Apprentissage plus robuste.	Comparer réponse initiale, réponse IA et décision finale.

Illusion	Indice trompeur	Test pédagogique
Clever Hans	La réponse réussit grâce à des indices de surface.	Modifier la forme, le symbole ou le contexte.
Illusion de raisonnement	Le résultat final fait écran au processus.	Demander le point de rupture et une justification.
Anthropomorphisme	Le vocabulaire donne l’impression que l’IA comprend.	Reformuler en termes d’opérations : prédire, associer, générer, vérifier.

Essentiel : quatre confusions à éviter

Confusion	Pourquoi elle est problématique	Formulation plus rigoureuse
Fluidité = vérité	Un texte bien écrit peut être faux ou incomplet.	La fluidité doit être vérifiée.
Chaîne de pensée = raisonnement réel	Les étapes affichées peuvent être une rationalisation.	Le cheminement doit être testé.
Réponse correcte = compréhension	Le résultat peut masquer une démarche fragile.	La compréhension se vérifie par justification et transfert.
Personnalisation IA = pédagogie adaptée	L’adaptation automatique peut réactiver des neuromythes.	L’adaptation doit reposer sur des besoins observables et des objectifs explicites.

Carte : de la fluidité à l’illusion de compétence

flowchart TD
  A[Réponse IA fluide] --> B[Cohérence apparente]
  B --> C[Ton assuré]
  C --> D[Vocabulaire expert]
  D --> E[Impression de compréhension]

  E --> F{Vérification du processus ?}
  F -->|Non| G[Illusion de raisonnement]
  F -->|Oui| H[Analyse critique]

  G --> I[Production acceptée trop vite]
  I --> J[Dette cognitive possible]

  H --> K[Correction]
  H --> L[Justification]
  H --> M[Transfert]
  K --> N[Apprentissage plus robuste]
  L --> N
  M --> N

Recommandé : activité “trouver le point de rupture”

AstuceActivité pédagogique

Fournissez aux étudiants une réponse IA apparemment solide, mais contenant une erreur conceptuelle, une hypothèse absurde, une généralisation abusive ou un raisonnement incomplet.

Demandez-leur de répondre à quatre questions :

Question	Intention cognitive
Où le texte paraît-il crédible ?	Identifier les indices de fluidité.
Où le raisonnement commence-t-il à se fragiliser ?	Localiser le point de rupture.
Quelle connaissance disciplinaire permet de le voir ?	Réactiver les concepts.
Comment corriger sans simplement remplacer par une autre réponse IA ?	Reconstruire un raisonnement.

Approfondissement : misconceptions et post-vérité

Les misconception ne sont pas de simples lacunes. Elles sont souvent robustes, parce qu’elles donnent une forme simple, intuitive et disponible à des phénomènes complexes. Dans un contexte de post-vérité, où la frontière entre fait, opinion et croyance peut être brouillée, l’IA ajoute un effet d’autorité : elle produit rapidement une réponse plausible, formulée dans un style expert.

Cette situation rend nécessaire un travail explicite d’éducation à la vigilance épistémique : distinguer source, forme, preuve, raisonnement, consensus scientifique et hypothèse. L’enjeu n’est pas seulement d’apprendre à “vérifier l’IA”, mais d’apprendre à ne pas confondre crédibilité discursive et validité du savoir.

NoteCharte IA de l’INSA Lyon

Ce passage éclaire le principe d’esprit critique : la fluidité d’une réponse doit être vérifiée avant d’être traitée comme une preuve de compréhension.

NoteTransition

Une fois l’illusion repérée, la question pédagogique devient celle du coût différé : quelles opérations d’apprentissage disparaissent quand le résultat arrive trop vite ?

3 - Dette cognitive et externalisation : que reste-t-il à apprendre lorsque l’on peut produire des résultats justes sans comprendre ?

🟢 Essentiel 🟡 Recommandé 🔵 Approfondissement

Dans ce chapitre, vous allez :

Comprendre	Repérer	Agir
Pourquoi l’IA peut améliorer la performance visible sans garantir l’apprentissage.	Les situations de dette cognitive, de dette épistémique et d’expertise fragile.	Réintroduire l’effort utile, la métacognition et l’évaluation du processus.

Situation ESR

Dans un projet Python, un étudiant utilise l’IA pour générer le code, corriger les erreurs, rédiger la documentation et expliquer le fonctionnement. Le livrable est complet. Mais lorsqu’on lui demande de modifier une contrainte, de corriger un bug ou de justifier un choix d’architecture, il ne sait pas reprendre la main. Le résultat était performant ; l’apprentissage, lui, reste fragile.

Externalisation cognitive et dette cognitive

Le chapitre 1 a posé l’atlas des risques : externalisation, désynchronisation, illusion de maîtrise, dette cognitive et dette épistémique. Le présent chapitre ne les redéfinit pas. Il ajoute une brique : l’IA générative ne délègue plus seulement le stockage ou la mise en forme ; elle peut produire les signes visibles du raisonnement.

flowchart LR
  A[Atlas 1.1] --> B[Externaliser]
  B --> C[Stocker]
  B --> D[Structurer]
  B --> E[Produire un raisonnement apparent]

  E --> F{Trace de reprise ?}
  F -->|Oui| G[Supervision critique]
  F -->|Non| H[Dette cognitive ou epistemique]

Repère de lecture. Le problème n’est pas l’aide elle-même, mais l’absence de reprise visible : hypothèse personnelle, vérification, correction, justification ou transfert.

Performance sans effort et expertise fragile

La distinction entre performance et apprentissage devient ici centrale. Une performance est un résultat immédiat et observable. Un apprentissage est une transformation durable, qui permet de réutiliser un savoir dans un contexte nouveau. Avec l’IA générative, l’écart entre les deux peut s’élargir : l’étudiant peut produire une performance de haut niveau sans avoir construit l’apprentissage correspondant.

C’est ce qui conduit à la figure de l’expert fragile : une personne capable de présenter une solution crédible, mais dépendante de l’outil pour en reconstruire les fondements. Cette fragilité apparaît lorsque le contexte change, lorsqu’une erreur survient, lorsqu’un arbitrage est nécessaire ou lorsqu’il faut expliquer les limites du résultat.

Réintroduire l’effort utile

La réponse pédagogique ne consiste pas à interdire systématiquement l’IA. Elle consiste à réintroduire de l’effort là où cet effort est formateur. Cet effort n’est pas une difficulté punitive. Il s’agit d’une friction cognitive courte, ciblée, proportionnée et orientée vers la consolidation.

Quelques exemples : produire une première hypothèse avant d’utiliser l’IA ; comparer deux réponses ; corriger une réponse volontairement imparfaite ; expliquer ce que l’on accepte ou rejette ; transférer une solution à un cas voisin ; défendre oralement un choix.

Cette logique prolonge les notions du chapitre 1 : mémoire de travail, activité cognitive, métacognition, erreur féconde et pédagogie explicite. L’objectif n’est pas de rendre la tâche plus lourde, mais de préserver ce qui fait apprendre.

Note

Repère scientifique : voir bibliographie, « Dette cognitive, apprentissage, évaluation et supervision critique » ; « Continuité avec le chapitre 1 : apprentissage, charge cognitive, prise de notes, métacognition ».

Essentiel : cerveau d’abord, IA ensuite

Séquence	Consigne possible	Fonction pédagogique
Avant IA	Écrire une première hypothèse, même incomplète.	Activer les connaissances et situer l’obstacle.
Avec IA	Demander une comparaison, une objection ou une reformulation.	Utiliser l’outil comme mise à l’épreuve.
Après IA	Reformuler sans copier, justifier, transférer.	Vérifier l’appropriation réelle.
Sans IA à nouveau	Résoudre une variation courte.	Tester la robustesse.

Carte : de la production assistée à l’apprentissage robuste

flowchart TD
  A[Tâche avec IA] --> B{L’étudiant produit-il d’abord ?}
  B -->|Non| C[Réponse IA directe]
  C --> D[Production fluide]
  D --> E[Apprentissage incertain]

  B -->|Oui| F[Hypothèse personnelle]
  F --> G[Comparaison avec IA]
  G --> H[Correction et justification]
  H --> I[Transfert]
  I --> J[Apprentissage plus robuste]

  E --> K{Évaluation du processus ?}
  K -->|Non| L[Boîte noire]
  K -->|Oui| M[Boîte de verre]
  M --> H

Recommandé : stratégie 3P

La stratégie Produit / Processus / Propos permet de ne plus limiter l’évaluation au livrable final.

Dimension	Question	Exemple de trace
Produit	Qu’est-ce qui est rendu ?	Rapport, code, synthèse, solution.
Processus	Comment cela a-t-il été construit ?	Brouillon, journal, versions, prompts, corrections.
Propos	L’étudiant sait-il expliquer et justifier ?	Oral court, note réflexive, défense des choix.

Extension possible : ajouter le transfert. Une compétence devient robuste lorsque l’étudiant peut adapter ce qu’il a produit à une situation nouvelle.

Approfondissement : l’IA comme miroir cognitif

L’IA peut devenir un miroir cognitif lorsqu’elle est utilisée pour faire apparaître les limites d’un raisonnement. Dans cette configuration, elle ne sert pas à fournir directement la réponse, mais à créer une situation d’analyse : réponse imparfaite à corriger, raisonnement à auditer, hypothèse à discuter, analogie à tester.

Cette posture transforme le rôle de l’étudiant. Il n’est plus seulement utilisateur ou consommateur d’une réponse. Il devient superviseur critique : il examine la validité, les limites et les conditions de production du savoir.

NoteCharte IA de l’INSA Lyon

Principe associé Ce passage éclaire le principe de supervision humaine : l’étudiant et l’enseignant doivent garder la main sur la validation, la justification et l’usage des productions d’IA.

Ce que ce chapitre met en évidence
Une réponse fluide, cohérente et convaincante peut contenir des erreurs, des biais ou des informations inventées.

Ce que la Charte demande de préserver
L’utilisateur doit exercer son esprit critique, vérifier les faits, chiffres, références et sources et demeure responsable de l’usage qu’il fait des résultats produits par l’IAG.

Traduction pédagogique
Ne pas demander seulement : « la réponse est-elle bonne ? », mais aussi : « comment puis-je la vérifier, la contredire et justifier que je l’utilise ? »

Repère : Charte IA INSA Lyon, §2.1.

Carte d’aide à la décision pédagogique

🟢 Essentiel

Objectif : décider comment encadrer l’usage de l’IA selon la valeur cognitive de la tâche.

flowchart TD
  A[Une tâche peut être réalisée avec l’IA] --> B{Quelle opération cognitive vise-t-on ?}

  B --> C[Comprendre]
  B --> D[Comparer]
  B --> E[Justifier]
  B --> F[Transférer]
  B --> G[Mettre en forme]

  C --> H[Préserver une phase sans IA]
  D --> I[Autoriser IA comme ressource à discuter]
  E --> J[Exiger une trace de raisonnement]
  F --> K[Tester un cas nouveau]
  G --> L[Autoriser avec vigilance faible]

  H --> M[Évaluation du processus]
  I --> M
  J --> M
  K --> M
  L --> N[Évaluation du produit possible]

  M --> O[Boîte de verre]
  N --> P[Boîte noire acceptable seulement si l’enjeu cognitif est faible]

Règle simple : plus la tâche est proche du cœur de l’apprentissage visé, plus l’usage de l’IA doit être précédé d’un effort autonome, accompagné d’une trace de processus et suivi d’une justification.

Étude de cas : transformer une évaluation de rapport assisté par IA

Situation initiale

Les étudiants doivent produire un rapport d’analyse sur un problème technique. L’IA est autorisée, mais aucune trace d’usage n’est demandée. Les rapports sont mieux rédigés qu’auparavant, plus homogènes et plus fluides. Pourtant, l’enseignant ne sait plus ce qui relève de la compréhension réelle des étudiants.

Diagnostic

Problème	Effet pédagogique
Le rapport est évalué comme produit final.	Risque de boîte noire.
L’usage de l’IA est invisible.	Impossible d’identifier la part de supervision.
Les étudiants ne justifient pas leurs choix.	La compétence reste inférée, non observée.
Aucune variation de contexte n’est demandée.	Le transfert n’est pas testé.

Transformation proposée

Avant	Après
Rapport final noté seul.	Rapport + note de processus + oral court.
IA autorisée sans trace.	IA autorisée avec description des usages.
Correction centrée sur la forme et la complétude.	Correction centrée sur validité, justification, limites.
Une seule situation traitée.	Variation courte pour tester le transfert.

Consigne possible
Vous pouvez utiliser une IA pour explorer des pistes, reformuler ou comparer des solutions. Vous devez cependant produire une première hypothèse personnelle avant usage, documenter ce que l’IA a apporté, indiquer ce que vous avez vérifié, expliquer ce que vous avez rejeté et justifier votre solution finale lors d’un échange oral court.

Grille d’évaluation rapide

Critère	Risque à repérer	Preuve robuste
Produit	Livrable cohérent mais peu défendu.	Limites, choix et contexte explicités.
Processus	Usage IA seulement déclaré.	Usage documenté, vérifié et discuté.
Propos	Explication partielle ou reprise du texte.	Justification claire sans support.
Correction	Sortie IA acceptée trop vite.	Point de rupture identifié et raisonnement reconstruit.
Transfert	Solution non adaptable.	Adaptation à une contrainte nouvelle.

Fiche action : ce que je peux faire dès demain

Intention	Action simple	Effet attendu
Préserver l’engagement initial	Demander une hypothèse personnelle avant l’IA.	Éviter la délégation immédiate.
Déjouer la fluidité	Faire annoter une réponse IA : fiable / douteux / à vérifier.	Réactiver la vigilance critique.
Rendre visible le processus	Demander “ce que j’ai gardé / modifié / rejeté”.	Identifier la supervision réelle.
Tester la compréhension	Poser une variation courte à l’oral.	Vérifier le transfert.
Utiliser l’erreur	Fournir une réponse IA imparfaite à corriger.	Transformer l’IA en miroir cognitif.
Lutter contre les neuromythes	Interdire les justifications par “style d’apprentissage” sans preuve.	Renforcer la rigueur pédagogique.
Déplacer l’évaluation	Ajouter un critère de justification ou de processus.	Réduire la dépendance au produit final.

Auto-positionnement final

AstuceSe situer après le chapitre

Répondez de 1 à 4 : 1 = pas du tout, 2 = rarement, 3 = souvent, 4 = systématiquement.

N°	Question d’auto-positionnement final	Position actuelle	Piste d’action
1	Est-ce que je distingue une explication claire produite par l’IA d’une compréhension réelle ?
2	Est-ce que je traite la Chain-of-Thought comme une trace à discuter, et non comme une preuve automatique de raisonnement ?
3	Est-ce que je vérifie qu’un devoir bien structuré correspond à une compréhension minimale observable ?
4	Est-ce que je regarde aussi les illusions de raisonnement, au-delà des seules erreurs factuelles ?
5	Est-ce que le gain de temps offert par l’IA préserve un effort cognitif utile ?
6	Est-ce que j’évite de confondre personnalisation algorithmique et respect réel des besoins d’apprentissage ?
7	Est-ce que je fais corriger ou discuter une réponse IA pour transformer l’usage en apprentissage ?
8	Est-ce que l’évaluation porte sur le processus et la justification, pas seulement sur la qualité finale ?
9	Est-ce que je prévois une vérification orale ou située lorsque le livrable peut être assisté par IA ?
10	Est-ce que je forme explicitement les étudiants à superviser l’IA, et pas seulement à l’utiliser ?

Lecture par dimensions

Vous pouvez aussi relire vos réponses par grands axes.

Dimension	Questions concernées	Ce que cela permet d’observer
Compréhension du fonctionnement de l’IA	2, 3	Votre capacité à expliciter la différence entre traitement statistique, langage fluide et compréhension humaine.
Préservation de l’effort cognitif	1, 5, 9	Votre attention aux moments où l’étudiant doit encore chercher, hésiter, formuler, corriger et structurer par lui-même.
Supervision critique de l’IA	4, 6, 10	Votre capacité à transformer l’IA en objet d’analyse plutôt qu’en simple outil de production.
Évaluation de l’apprentissage réel	7, 10	Votre manière de rendre visibles les processus cognitifs, les justifications et le transfert.
Vigilance épistémique et neuromythes	3, 8	Votre capacité à éviter les formulations ou usages qui renforcent des croyances erronées sur le cerveau, l’intelligence ou l’apprentissage.

Interprétation pédagogique

Un score élevé ne signifie pas qu’il faut complexifier toutes les activités ou tout évaluer à l’oral. Il indique plutôt que vous accordez une place importante à ce qui devient décisif avec l’IA : la capacité de l’étudiant à expliquer, vérifier, corriger, transférer et assumer une production.

À l’inverse, un score faible ne signifie pas que vos pratiques sont inadaptées. Il signale surtout que certaines dimensions restent probablement implicites. Or, avec l’IA générative, ce qui reste implicite devient fragile : l’effort cognitif peut être contourné, le raisonnement peut être masqué par la fluidité du rendu, et la compétence peut être confondue avec la qualité apparente du livrable.

L’objectif n’est donc pas d’interdire l’IA, mais de mieux organiser les conditions dans lesquelles elle peut soutenir l’apprentissage sans remplacer les opérations mentales formatrices.

Pour passer à l’action

Choisissez une seule question pour laquelle vous avez répondu 1 ou 2.

Transformez-la en micro-ajustement pédagogique pour votre prochain cours.

Si votre point faible est…	Ajustement simple possible
La distinction entre production et apprentissage	Ajouter une question : “Qu’avez-vous compris que vous ne saviez pas faire avant ?”
L’explication du fonctionnement des IA	Prévoir cinq minutes pour rappeler qu’un LLM prédit des formes linguistiques probables, sans comprendre comme un humain.
La trace du processus	Demander une courte note : “ce que j’ai demandé à l’IA / ce que j’ai gardé / ce que j’ai rejeté / ce que j’ai vérifié”.
La réflexion avant IA	Imposer un brouillon individuel ou une hypothèse initiale avant toute consultation de l’outil.
L’analyse critique de réponses IA	Donner une réponse générée volontairement imparfaite et demander aux étudiants d’identifier le point de rupture.
L’évaluation du transfert	Modifier une variable du problème et demander à l’étudiant d’adapter sa réponse.
La vigilance sur les neuromythes	Repérer une formulation du type “l’IA comprend”, “l’IA apprend comme un cerveau”, “adapté au profil visuel/auditif” et la reformuler.
La boîte de verre	Ajouter un critère d’évaluation sur la justification, le processus ou la reprise critique.

À retenir

Ce positionnement ne mesure pas votre niveau de maîtrise technique de l’IA. Il mesure plutôt votre capacité à maintenir visibles les conditions de l’apprentissage : effort utile, raisonnement, explicitation, vérification, transfert et responsabilité.

Dans un contexte où l’IA peut produire vite et bien, la question centrale devient : qu’est-ce que l’étudiant a réellement construit, compris et rendu transférable ?

Conclusion

L’IA générative ne rend pas l’apprentissage obsolète. Elle rend au contraire plus visible ce qui ne peut pas être réduit à la simple production de réponses plausibles : comprendre, justifier, corriger, transférer, arbitrer et assumer.

Le chapitre 1 montrait que l’apprentissage suppose un traitement actif, une gestion de la charge cognitive, une consolidation et une métacognition. Le chapitre 2 montre que l’IA peut brouiller ces repères en produisant des traces de raisonnement sans garantir le raisonnement lui-même. La réponse pédagogique n’est donc pas d’opposer usage et non-usage de l’IA, mais d’organiser les conditions d’un usage qui maintient l’activité cognitive.

Dans un monde où produire devient facile, l’enseignement supérieur ne peut plus s’appuyer uniquement sur le livrable final. Il doit rendre visible le processus, interroger les critères de validité, réintroduire l’effort utile, former à la vigilance épistémique et évaluer la robustesse.

Former à l’ère de l’IA, ce n’est pas seulement apprendre à mieux utiliser un outil. C’est apprendre à ne pas confondre fluidité et compréhension, performance et apprentissage, réponse plausible et savoir construit.

Glossaire complet du chapitre

Ce glossaire rassemble l’ensemble des notions effectivement mobilisées dans le chapitre, avec leur définition courte et la question pédagogique associée.

Notion	Définition courte	Question pédagogique associée
Anthropomorphisme	Attribution à l’IA de propriétés humaines : comprendre, vouloir, penser, apprendre comme un humain.	Le vocabulaire utilisé brouille-t-il la différence entre machine et cognition humaine ?
Boîte de verre	Évaluation qui rend visibles produit, processus, propos et transfert.	Le raisonnement devient-il observable ?
Boîte noire	Évaluation centrée sur le produit final, sans accès au processus.	Que peut-on réellement inférer du livrable ?
Chain-of-Thought	Texte où un modèle affiche des étapes de raisonnement, sans garantie qu’elles reflètent le processus réellement effectué.	Ces étapes sont-elles une preuve de raisonnement ou une rationalisation post-hoc ?
Clever Hans	Effet par lequel un système semble raisonner alors qu’il réagit à des indices de surface.	L’IA réussit-elle pour les bonnes raisons ?
Deep Learning	Famille de modèles qui apprennent des représentations distribuées et hiérarchiques dans des espaces latents.	Le modèle fonctionne-t-il sans que son cheminement soit explicable ?
Dette cognitive / dette épistémique	Concepts définis dans l’atlas du chapitre 1 ; ils sont utilisés ici pour analyser les effets propres des IA génératives.	Le gain de production masque-t-il une perte de raisonnement, de sources ou de critères ?
Espace latent	Représentation interne distribuée, abstraite et difficilement interprétable.	Ce qui produit la réponse est-il visible et vérifiable ?
Expert fragile	Étudiant ou professionnel capable de produire un livrable crédible mais incapable d’en justifier les fondements.	Que se passe-t-il lorsque l’outil échoue ou que le contexte change ?
IA symbolique	Approche historique de l’IA fondée sur des règles explicites et manipulables.	Le raisonnement peut-il être retracé ?
Illusion de fluidité	Confusion entre facilité de lecture, cohérence formelle et maîtrise réelle.	Le texte semble-t-il fiable parce qu’il est bien formulé ?
Illusion de raisonnement	Impression qu’un raisonnement valide a été produit alors que le processus peut être fragile, incomplet ou contourné.	La réponse correcte masque-t-elle une fracture du raisonnement ?
Machine Learning	Approche où le système apprend des régularités à partir de données plutôt que de règles programmées.	La performance observable repose-t-elle sur une règle comprise ou sur une régularité apprise ?
Misconception	Croyance erronée ou simplifiée, résistante à la simple correction informative.	L’IA donne-t-elle une nouvelle légitimité à une idée fausse ?
Neuromythe	Croyance pédagogique infondée ou simplifiée sur le cerveau et l’apprentissage.	L’IA renforce-t-elle des catégories douteuses comme les styles d’apprentissage ?
Pattern matching	Appariement de formes ou de régularités statistiques.	La réponse vient-elle d’un raisonnement ou d’une reconnaissance de motifs ?
Raisonnement latent	Hypothèse selon laquelle une partie du traitement des modèles se joue dans les états internes plutôt que dans les explications textuelles.	La chaîne de pensée affichée est-elle fidèle au traitement réel ?
Supervision critique	Capacité à piloter, vérifier, corriger et contextualiser une production IA.	L’étudiant reprend-il la main sur le raisonnement ?
Token	Unité de texte prédite par le modèle : caractère, morceau de mot, mot ou séquence.	L’étudiant sait-il que le modèle prédit des formes plutôt qu’il ne comprend des concepts ?
Transformer	Architecture fondée sur des mécanismes d’attention, centrale dans les grands modèles de langage contemporains.	La cohérence du texte produit est-elle confondue avec une compréhension ?
World Models / JEPA	Orientation de recherche visant à construire des représentations plus stables des dynamiques du réel.	Le modèle dispose-t-il d’un ancrage causal ou seulement linguistique ?

Bibliographie indicative

Cette bibliographie reprend exclusivement les références présentes dans les ressources fournies pour le chapitre 2 et les références de continuité mobilisées dans le chapitre 1 lorsque les notions sont explicitement prolongées.

Continuité avec le chapitre 1 : apprentissage, charge cognitive, prise de notes, métacognition

• Baddeley, A. D. (1996). Exploring the central executive. Quarterly Journal of Experimental Psychology, 49A(1), 5-28.
• Baddeley, A. D. (2000). The episodic buffer: A new component of working memory? Trends in Cognitive Sciences, 4(11), 417-423.
• Beveridge, L., & Scott, G. G. (2025). AI for good in HE? Leveraging AI and GenAI for note-taking. Journal of Inclusive Practice in Further and Higher Education.
• Mueller, P. A., & Oppenheimer, D. M. (2014). The pen is mightier than the keyboard: Advantages of longhand over laptop note taking. Psychological Science, 25(6), 1159-1168.
• Piolat, A., Olive, T., & Kellogg, R. T. (2005). Cognitive effort during note taking. Applied Cognitive Psychology, 19(3), 291-312.
• Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64-70.

Fonctionnement des modèles, opacité et illusion de compréhension

• Arcuschin, I., Janiak, J., et al. (2025). Chain-of-thought reasoning in the wild is not always faithful. arXiv preprint arXiv:2503.08679.
• Beger, C., Yi, R., et al., & Mitchell, M. (2026). Do AI models perform human-like abstract reasoning across modalities? arXiv preprint arXiv:2510.02125v4.
• Belcamino, V., Attolino, N., Capitanelli, A., & Mastrogiovanni, F. (2025). On the generalization gap in LLM planning: Tests and verifier-reward RL. arXiv preprint arXiv:2601.14456v1.
• Bender, E. M., Gebru, T., et al. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT), 610-623.
• Bricken, T., Templeton, A., et al. (2023). Towards monosemanticity: Decomposing language models with dictionary learning. Transformer Circuits Thread.
• Chollet, F. (2019). On the measure of intelligence. arXiv preprint arXiv:1911.01547.
• Chollet, F., Knoop, M., et al. (2026). ARC Prize 2025: Technical Report. arXiv preprint arXiv:2601.10904.
• Havlík, V. (2025). Why are LLMs’ abilities emergent? arXiv preprint arXiv:2508.04401.
• Helff, L., Härle, R., et al. (2026). ActivationReasoning: Logical reasoning in latent activation spaces. arXiv preprint arXiv:2510.18184v3.
• Ma, J., Zhan, R., Li, Y., Sun, D., Chan, H. P., Chao, L. S., & Wong, D. F. (2025). VisAidMath: Benchmarking visual-aided mathematical reasoning. Proceedings of the 39th Conference on Neural Information Processing Systems (NeurIPS 2025, Workshop VLM4RWD). arXiv:2410.22995v2.
• Mallat, S. (2016). Understanding deep convolutional networks. Philosophical Transactions of the Royal Society A, 374(2071).
• Maes, L., Le Lidec, Q., et al., & LeCun, Y. (2026). LeWorldModel: Stable end-to-end joint-embedding predictive architecture from pixels. arXiv preprint arXiv:2603.19312.
• Mitchell, M., & Krakauer, D. C. (2023). The debate over understanding in AI’s large language models. Proceedings of the National Academy of Sciences (PNAS), 120(13).
• Shanahan, M., McDonell, K., & Reynolds, L. (2023). Role play with large language models. Nature, 623(7987), 493-498.
• Stevenson, C. E., Pafford, A., et al., & Mitchell, M. (2026). Can large language models generalize analogy solving like children can? Transactions of the Association for Computational Linguistics (TACL), 14, 612-626.
• Su, Z., Xia, P., Guo, H., Liu, Z., Ma, Y., Qu, X., Liu, J., Li, Y., Zeng, K., Yang, Z., et al. (2025). Thinking with images for multimodal reasoning: Foundations, methods, and future frontiers. arXiv preprint arXiv:2506.23918.
• Tudor, A. R., Zeng, Y., Wang, H., Arias, J., & Gupta, G. (2025). Building trustworthy AI by addressing its 16+2 desiderata with goal-directed commonsense reasoning. arXiv preprint arXiv:2506.12667v2.
• Vaswani, A., et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems.
• Wang, W. (2026). LLM reasoning is latent, not the chain of thought. arXiv preprint arXiv:2604.15726.

Anthropomorphisme, misconceptions et neuromythes

• Aktaş, B. E., Temel, Z., & Kumova, F. (2025). The factual and ontological roots of psychological misconceptions: A study on university students in İstanbul.
• Corbett, B., & Tangen, J. M. (2025). AI tutors vs. tenacious myths: Evidence from personalised dialogue interventions in education. Computers in Human Behavior.
• Korkos, Y. O. (2023). Post-truth era in the modern world: Origins and causes [ЕПОХА ПОСТПРАВДИ У СУЧАСНОМУ СВІТІ: ВИТОКИ ТА ПРИЧИНИ].
• Liang, Y., Wilson, C., & Yuile, A. L. (2025). Folk theories of language and the brain: Public beliefs about speech, bilingualism, and neural function. Preprint.
• Lilienfeld, S. O., Lynn, S. J., Ruscio, J., & Beyerstein, B. L. (2010). 50 great myths of popular psychology: Shattering widespread myths and misconceptions about human behavior. Wiley-Blackwell.
• Tunga, Y., Celik, B., & Cagiltay, K. (2025). Educational myths among teachers: Prevalence and refutational intervention for belief change. Humanities and Social Sciences Communications, 12(1). https://doi.org/10.1057/s41599-025-05470-y

Dette cognitive, apprentissage, évaluation et supervision critique

• Achuthan, K. (2025). Artificial intelligence and learner autonomy: A meta-analysis of self-regulated and self-directed learning. Frontiers in Education, 10, 1738751. https://doi.org/10.3389/feduc.2025.1738751
• Codère, M., & Erny, E. (2025). L’évaluation des compétences avec l’IA. Communication présentée au colloque ROC 2025.
• Djieufack, E. B., & Paquelin, D. (2025). Agentivité étudiante à l’ère des outils d’IA générative : nouvelles perspectives d’autonomisation aux cycles supérieurs. Actes du colloque ROC 2025, 71-74.
• Duplice, J. (2025). Generation and L2 vocabulary learning: A classroom action study on the efficacy of the generation desirable difficulty in learning L2 vocabulary. Vocabulary Learning and Instruction, 14(1), 102482.
• Fan, Y., et al. (2024). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489-530.
• Goldmeier, G., & Mota, R. (2026). Metacognition and pedagogy in the era of artificial intelligence. Qeios.
• Hadwin, A. F., Järvelä, S., & Miller, M. (2023). Self-regulated learning in the digital era. Computers in Human Behavior, 142, 107678.
• Kosmyna, N., Hauptmann, E., et al., & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task. arXiv preprint arXiv:2506.08872.
• Kumar, S., et al. (2026). Fluency illusion: A review on influence of ChatGPT in classroom settings. Information, 17(3), 299.
• Lodge, J. M., & Loble, L. (2026). Artificial intelligence, cognitive offloading and implications for education. University of Technology Sydney.
• Maynard, A. D. (2026). The AI Cognitive Trojan Horse: How large language models may bypass human epistemic vigilance. arXiv preprint arXiv:2601.07085.
• Nathaniel, J., et al. (2026). An experimental study of structured generative AI integration to mitigate pedagogical, cognitive, and ethical barriers in programming education. Frontiers in Computer Science, 8, 1789829.
• Roediger, H. L., & Butler, A. C. (2011). The critical role of retrieval practice in long-term retention. Trends in Cognitive Sciences, 15(1), 20-27.
• Sankaranarayanan, S. (2026). Mitigating “epistemic debt” in generative AI-scaffolded novice programming using metacognitive scripts. In Proceedings of the 13th ACM Conference on Learning at Scale (L@S ’26). ACM.
• Soderstrom, N. C., & Bjork, R. A. (2015). Learning versus performance: An integrative review. Perspectives on Psychological Science, 10(2), 176-199.
• Tomisu, H., et al. (2025). The cognitive mirror: A framework for AI-powered metacognition and self-regulated learning. Frontiers in Education, 10, 1697554.
• Viana, et al. (2026). Fluency illusion in AI-mediated learning. Information, 17(3), 299.
• Yan, L., et al. (2025). Distinguishing performance gains from learning when using generative AI. Nature Reviews Psychology, 4(7), 435-436.
• Webjeje (2025). L’intelligence artificielle dans l’éducation : État des lieux technique, éthique et pédagogique à l’horizon 2026. https://webjeje.eu/