Quand l'IA pense à notre place : les sciences de l'apprentissage à l'épreuve des LLM

L'un des paradoxes les mieux établis des sciences de l'apprentissage est que ce qui rend l'étude facile la rend souvent inefficace. La rétention durable repose sur des « difficultés désirables » : se tester plutôt que relire, espacer les révisions, produire une réponse avant de la vérifier. Le classique effet de test de Roediger et Karpicke montre qu'une simple récupération en mémoire, sans relecture supplémentaire, améliore fortement la rétention à long terme ^[1]. Or les grands modèles de langage (LLM) excellent précisément à supprimer cet effort : ils produisent la réponse, le plan, la synthèse. La question n'est donc pas de savoir si l'IA aide à produire, mais si elle aide à apprendre.

Le délestage cognitif, un couteau à double tranchant

Le « délestage cognitif » (cognitive offloading) consiste à confier une tâche mentale à un outil externe. Utile pour libérer la mémoire de travail, il devient problématique quand il remplace les processus qui construisent la compréhension. Plusieurs études 2024-2026 documentent une « paresse métacognitive » : les apprenants qui s'appuient sur un LLM interagissent surtout avec l'outil, copient-collent davantage et régulent moins leur propre apprentissage ^[2]. Une échelle de mesure du phénomène a même été proposée et validée récemment ^[3].

Ce résultat est nuancé et souvent mal cité : dans la même étude, une version « tuteur » du modèle, dotée de garde-fous pédagogiques (indices progressifs, refus de donner la solution complète, invitation à raisonner), n'entraînait pas cette dégradation ^[4]. Autrement dit, l'effet dépend moins de l'IA elle-même que de la conception de l'interaction.

Concevoir pour l'effort, pas contre lui

Les sciences cognitives offrent une grille de conception. Un tuteur IF aligné sur l'apprentissage devrait : privilégier la récupération active (poser des questions avant de répondre), doser les indices (estompage progressif, ou fading), espacer les rappels, et rendre visibles les étapes de raisonnement plutôt que le seul résultat. La méta-analyse UNESCO plaide pour une approche centrée sur l'humain où l'outil reste subordonné aux objectifs pédagogiques ^[5].

• Récupération avant génération : faire produire une tentative à l'apprenant avant toute aide.
• Indices gradués : révéler l'information par paliers, jamais la solution d'emblée.
• Espacement et entrelacement : replanifier les concepts vus, mélanger les types de problèmes.
• Explicitation : demander à l'apprenant de justifier, reformuler, prédire — pas seulement de valider.

Ce que l'IA peut vraiment améliorer

L'IA n'est pas condamnée à éroder l'apprentissage. Bien conçue, elle rend praticables à grande échelle des principes coûteux en temps humain : rétroaction immédiate, questions de récupération générées à la volée, adaptation du niveau de difficulté. Le rapport 2025 de l'AI Index de Stanford souligne l'expansion rapide de ces usages tout en insistant sur la rareté des preuves d'efficacité à grande échelle et rigoureuses ^[6]. La prudence méthodologique reste de mise : beaucoup d'études sont de courte durée, sur petits échantillons, et mesurent la performance immédiate plutôt que la rétention.

L'apprentissage profond suppose un désirable inconfort. Le vrai défi de l'IA éducative est de préserver l'effort utile tout en supprimant l'effort inutile.

Synthèse des difficultés désirables

Pour les concepteurs de systèmes éducatifs — y compris les acteurs européens et suisses attentifs à la confidentialité et à la maîtrise des données — l'enjeu est double : instrumenter la métacognition (rendre l'apprenant conscient de ce qu'il sait) et éviter le piège de la fluidité, cette illusion de maîtrise que procure une réponse bien tournée mais non travaillée. La technologie doit servir la difficulté désirable, non l'abolir.

Trois principes cognitifs à instrumenter

Au-delà de la récupération, trois principes robustes des sciences de l'apprentissage méritent d'être instrumentés par l'IA plutôt que court-circuités. Le premier est l'espacement : revoir un concept à intervalles croissants ancre bien mieux qu'un bachotage massé. Un système peut planifier ces rappels automatiquement, ce qu'un enseignant seul peine à faire pour trente élèves. Le deuxième est l'entrelacement : mélanger les types de problèmes plutôt que de les traiter en blocs, ce qui améliore le transfert.

Le troisième est l'effet de génération : produire une réponse, même erronée, avant de recevoir la correction, renforce l'apprentissage davantage que la lecture passive de la solution. C'est exactement l'inverse de ce que propose un assistant génératif laissé sans garde-fous, qui livre la réponse d'emblée. Concevoir contre ce réflexe — faire tenter avant d'aider — transforme l'outil de raccourci en levier ^[4].

Reste la métacognition, ce pilotage de son propre apprentissage que les études signalent comme la première victime du délestage ^[2]. L'IA peut au contraire la soutenir : demander à l'apprenant d'estimer sa confiance, de repérer ce qu'il n'a pas compris, de planifier sa révision. Rendre l'apprenant conscient de son état de connaissance est peut-être l'usage le plus prometteur — et le plus fidèle à une vision centrée sur l'humain ^[5].

Réconcilier effort et technologie

Le débat oppose trop souvent deux caricatures : l'IA qui sauve l'éducation et l'IA qui l'abîme. La réalité, plus intéressante, est que les mêmes outils peuvent servir l'un ou l'autre selon leur conception. Un assistant qui livre la réponse court-circuite l'apprentissage ; un assistant qui pose une question au bon moment le renforce. La différence tient à une compréhension fine des mécanismes cognitifs.

L'avenir prometteur est celui d'une ingénierie pédagogique fondée sur les preuves, où les principes des sciences de l'apprentissage — récupération, espacement, génération, métacognition — sont délibérément inscrits dans les outils. Loin d'opposer effort et technologie, il s'agit de mettre la technologie au service de l'effort utile. C'est un programme exigeant, mais c'est le seul qui garantisse que l'IA fasse réellement apprendre, et pas seulement produire.