L’avenir des sciences de l’éducation : l’utilisation, la confiance et la charge cognitive de l’IA générative comme prédicteurs de la performance académique perçue dans l’enseignement supérieur

Résumé

Cette étude examine comment l’utilisation de l’IA générative et la confiance en l’IA affectent la performance académique des étudiants de l’enseignement supérieur via la charge cognitive. L’utilisation de la modélisation structurelle des moindres carrés partiels (PLS-SEM) sur des données provenant de 390 étudiants révèle que les deux facteurs augmentent significativement la charge cognitive, ce qui prédit positivement la performance et médiatise leurs effets.

Résumé

Cette étude étudie les relations complexes entre l’utilisation de l’IA générative, la confiance en l’IA, la charge cognitive et la performance académique chez les étudiants de l’enseignement supérieur. Fondée sur la théorie des charges cognitives et la littérature de la confiance, la recherche examine comment l’engagement des étudiants avec les outils d’IA générative et leur confiance dans ces systèmes influencent les résultats académiques, la charge cognitive étant le mécanisme médiateur. Un plan de recherche quantitative transversale a été employé avec un échantillon aléatoire stratifié de 390 étudiants en enseignement supérieur. Les données ont été collectées à l’aide d’échelles validées mesurant la confiance dans l’utilisation de l’IA générative (dimensions humaines et fonctionnelles), la charge cognitive (charge intrinsèque, charge extrainsèque et apprentissage perçu de soi) et la performance académique. La modélisation structurelle par équations partielles des moindres carrés (PLS-SEM) avec des procédures de bootstrapping (5 000 rééchantillons) a été utilisée pour tester les relations directes et médiatières hypothétiques. Les résultats ont révélé que l’utilisation de l’IA générative (β = 0,34, p < 0,001) et la confiance en l’IA (β = 0,28, p < 0,001) étaient significativement positivement associées à la charge cognitive. La charge cognitive était également positivement associée à la performance scolaire (β = 0,52, p < 0,001). De plus, la charge cognitive médie significativement les relations entre l’utilisation de l’IA générative et la performance académique (β = 0,18, p < 0,001) et entre la confiance en l’IA et la performance académique (β = 0,15, p < 0,001). Le modèle expliquait 45 % de la variance des performances académiques, et PLS Predict a confirmé un haut pouvoir prédictif. Les résultats étendent la théorie de la charge cognitive aux contextes d’apprentissage améliorés par l’IA et suggèrent que la charge cognitive pourrait fonctionner comme une voie explicative importante reliant les facteurs liés à l’IA aux résultats académiques. Concrètement, l’étude souligne l’importance de favoriser la littératie en IA, de concevoir des environnements d’apprentissage optimisant la charge cognitive et de prioriser la fiabilité fonctionnelle dans le développement d’outils d’IA. Cette étude fournit des preuves empiriques que la charge cognitive constitue un mécanisme médiateur important par lequel l’utilisation de l’IA générative et la confiance en IA se traduisent par des performances académiques.

Introduction

L’avancée rapide de l’intelligence artificielle générative (GenAI) a précipité un changement de paradigme dans l’enseignement supérieur, transformant fondamentalement la manière dont les étudiants accédent, traitent et construisent les connaissances¹. Des outils tels que ChatGPT, Gemini et Claude sont de plus en plus intégrés dans les environnements académiques, des estimations récentes suggérant que plus de 30 % des étudiants universitaires utilisent régulièrement ces technologies pour des activités liées aux cours². Cette révolution technologique présente à la fois des opportunités sans précédent et des défis majeurs pour les enseignants, administrateurs et chercheurs cherchant à comprendre comment l’intégration de l’IA influence les processus et les résultats d’apprentissage³.

Bien que l’IA générative offre le potentiel d’un tutorat personnalisé, d’un retour instantané et d’une productivité accrue, les étudiants ne consomment pas passivement des informations générées par l’IA⁴. Au contraire, l’apprentissage amélioré par l’IA implique des processus d’interaction continus dans lesquels les élèves formulent des prompts, évaluent les résultats, comparent les réponses générées par l’IA avec des sources externes, calibrent leur dépendance aux systèmes d’IA et intègrent du contenu généré par machine dans les tâches^{académiques 5}. Ces exigences interactionnelles introduisent de nouvelles dynamiques cognitives qui vont au-delà des modèles traditionnels d’utilisation de la technologie et peuvent simultanément réduire certains fardeaux cognitifs tout en créant de nouvelles formes d’effort et de surcharge cognitif. Au cœur de ces préoccupations se trouve la question de savoir comment l’utilisation de l’IA affecte les processus cognitifs sous-jacents à l’apprentissage, une question qui reste largement inexplorée dans la littérature empirique. La théorie des charges cognitives (CLT) fournit un cadre théorique solide pour examiner ces questions. La TLC postule que l’apprentissage est limité par la capacité limitée de la mémoire de travail et qu’une conception pédagogique efficace doit gérer trois types de charge cognitive : la charge intrinsèque résultant de la complexité du contenu, la charge superflue imposée par une mauvaise conception pédagogique, et la charge pertinente dirigée vers la construction et l’automatisation des^{schémas 6}. Dans les environnements d’apprentissage améliorés par l’IA, ces distinctions deviennent particulièrement^{marquantes 7}. Les étudiants interagissant avec des outils d’IA générative doivent simultanément traiter le contenu des cours, évaluer l’exactitude et la pertinence des informations générées par l’IA, et intégrer diverses sources de connaissances qui peuvent augmenter significativement les besoins^{cognitifs 8}.

Il est important de noter que la théorie de la charge cognitive conceptualise la charge cognitive comme une construction multidimensionnelle composée d’une charge intrinsèque, superflue et pertinente, chacune pouvant affecter l’apprentissage^{différemment 9}. La charge intrinsèque découle de la complexité inhérente au matériel d’apprentissage, la charge superflue reflète une charge cognitive inutile générée par une conception pédagogique inefficace ou des exigences de traitement non pertinentes, et la charge pertinente désigne un engagement cognitif productif associé à la construction de schémas et aux processus d’apprentissage significatifs. Par conséquent, la charge cognitive ne doit pas être interprétée comme uniformement bénéfique ou nuisible. Bien que la charge intrinsèque et pertinente puisse favoriser une compréhension plus profonde dans des conditions appropriées, une charge excessive et superflue peut interférer avec l’apprentissage en consommant des ressources cognitives limitées.

Au-delà des schémas d’utilisation, la confiance des étudiants dans les systèmes d’IA apparaît comme un facteur psychologique crucial façonnant l’interaction^{humain-IA 10}. S’appuyant sur des cadres fondamentaux de confiance, la confiance dans l’IA peut être conceptualisée selon deux dimensions distinctes : la confiance humaine, englobant les perceptions de bienveillance, d’intégrité et de prévisibilité ; et la confiance en la fonctionnalité, reflétant la confiance dans la fiabilité, la compétence et la fiabilité de la technologie^{elle-même 11}. Des recherches antérieures ont établi la confiance comme un facteur déterminant de l’adoption et de la poursuite de l’utilisation de^{la technologie,} mais ses conséquences cognitives restent largement inexplorées. La relation entre la confiance en l’IA et la charge cognitive est théoriquement complexe et ne doit pas être interprétée comme uniformément positive ou^{linéaire 13}. D’une part, une confiance appropriée dans l’IA peut encourager les élèves à s’engager plus profondément dans le contenu généré par l’IA, à investir des efforts cognitifs dans l’évaluation des réponses et à intégrer l’information générée par machine dans les tâches^{d’apprentissage 14}. La relation entre les facteurs liés à l’IA et la performance académique représente le résultat final d’intérêt pour les enseignants et les institutions¹⁵. La performance académique a été opérationnelle de diverses manières dans la recherche en éducation, certaines études utilisant des mesures objectives telles que la moyenne générale¹⁶, tandis que d’autres reposent sur l’efficacité académique perçue^{par les étudiants 17}. Les mesures auto-perçues capturent la conscience métacognitive des élèves quant à leurs capacités d’apprentissage et à leur performance dans les tâches, ce que la recherche a montré être fortement associé à la réussite académique^{réelle 18}. Dans les contextes d’apprentissage améliorés par l’IA, comprendre comment les élèves perçoivent leur propre apprentissage devient particulièrement important, car ces perceptions peuvent guider l’engagement ultérieur avec les outils et stratégies d’apprentissage^{de l’IA 19}.

Malgré la prévalence croissante de l’IA générative dans l’enseignement supérieur, la recherche empirique examinant ses conséquences cognitives et académiques reste rare^. Les études existantes se sont principalement concentrées sur les modes d’adoption, les préoccupations éthiques ou les applications^{disciplinaires 21}, avec une attention limitée aux mécanismes psychologiques reliant l’utilisation de l’IA aux résultats d’apprentissage²². De plus, bien que la confiance ait été largement étudiée dans le commerce électronique et l’interaction^{homme-machine,} son rôle dans les contextes d’IA éducative reste théoriquement sous-développé et empiriquement non testé. La présente étude répond à ces lacunes en examinant les associations entre l’utilisation de l’IA générative, la confiance en l’IA, la charge cognitive et la performance académique, la charge cognitive étant modélisée comme une voie médiatrice potentielle. Fondée sur la théorie de la charge cognitive²⁴ et la littérature du trust, cette étude propose et teste un modèle de médiation examinant cinq hypothèses : (H1) l’utilisation de l’IA générative influence positivement la charge cognitive ; (H2) la confiance dans l’IA influence positivement la charge cognitive ; (H3) la charge cognitive influence positivement la performance scolaire ; (H4) la charge cognitive médie la relation entre l’utilisation de l’IA générative et la performance académique ; et (H5) la charge cognitive médie la relation entre la confiance en l’IA et la performance académique.

L’intégration de l’intelligence artificielle générative (GenAI) dans l’enseignement supérieur représente l’un des changements technologiques les plus significatifs dans la pratique pédagogique^{contemporaine 25}. Des outils comme ChatGPT, développés par OpenAI, ont démontré des capacités remarquables pour générer du texte d’inspiration humaine, résoudre des problèmes complexes et fournir un soutien éducatif personnalisé²⁶. Des recherches empiriques récentes ont documenté une adoption généralisée chez les étudiants universitaires. Les élèves utilisent GenAI à des fins académiques diverses, notamment le brainstorming, le résumé de contenu, la relecture et l’explication des^{concepts 27}. Cette prolifération a incité les chercheurs à examiner à la fois les possibilités et les défis associés à la GenAI dans les contextes éducatifs. Les partisans soutiennent que les outils GenAI peuvent améliorer l’apprentissage en fournissant un retour immédiat, en enchaînant des tâches complexes et en proposant de multiples perspectives sur le contenu disciplinaire²⁸. Les étudiants utilisant ChatGPT pour les tâches de programmation ont montré une amélioration de la qualité du code et un temps d’exécution réduit, suggérant des bénéfices potentiels cognitifs. De même, GenAI peut personnaliser les expériences d’apprentissage en adaptant le contenu aux besoins et aux rythmes d’apprentissage de chaque^élève. Cependant, les critiques ont soulevé des inquiétudes concernant l’intégrité académique, le risque de plagiat et l’érosion des compétences de pensée critique lorsque les étudiants s’appuient excessivement sur le contenu généré par^{l’IA 30,31}. Ces perspectives concurrentes soulignent la nécessité d’une investigation empirique rigoureuse sur la manière dont l’utilisation de GenAI influence les processus d’apprentissage fondamentaux.

La théorie des charges cognitives (TLC) fournit un cadre complet pour comprendre les exigences cognitives imposées par les tâches d’apprentissage et les conceptions pédagogiques. La TLC repose sur l’architecture établie de la cognition humaine, qui comprend une mémoire à long terme pratiquement illimitée et une mémoire de travail très limitée tant en capacité qu’en^{durée 32}. Selon la CLT, l’apprentissage se produit lorsque l’information est traitée avec succès en mémoire de travail puis stockée sous forme de schémas en mémoire à long terme. La théorie distingue trois types de charge cognitive : la charge intrinsèque, déterminée par la complexité inhérente du matériel d’apprentissage et l’expertise existante de l’apprenant ; une charge supplémentaire, imposée par des supports pédagogiques et activités mal conçus qui ne contribuent pas directement à l’apprentissage ; et la charge pertinente, qui désigne les ressources cognitives consacrées à la construction de schémas et à l’automatisation³³. Les recherches ont constamment démontré qu’une conception pédagogique efficace doit gérer ces trois types de charges pour optimiser les résultats d’apprentissage³⁴. Une charge extrane élevée détourne les ressources cognitives des processus d’apprentissage, affectant la performance, tandis que des charges intrinsèques et pertinentes appropriées facilitent une compréhension profonde et un transfert^{de connaissances 35}. un instrument complet pour mesurer ces dimensions de charge dans les milieux éducatifs, permettant une investigation empirique de la charge cognitive dans divers contextes d’apprentissage. Plus récemment, les chercheurs ont étendu la CLT aux environnements d’apprentissage améliorés par la technologie, en examinant comment les outils numériques influencent le traitement^{cognitif 36}. La relation entre l’utilisation de l’IA générative et la charge cognitive est théoriquement complexe et empiriquement^{sous-explorée 37}. D’une part, les outils GenAI peuvent réduire la charge superflue en simplifiant la recherche d’information, en synthétisant des sources diverses et en présentant l’information dans des formats^{accessibles 38}. Les élèves n’ont plus besoin de naviguer dans plusieurs bases de données ou d’interpréter des textes complexes de manière indépendante, ce qui pourrait libérer des ressources cognitives pour un traitement plus^{approfondi 39}.

La confiance est un mécanisme psychologique fondamental qui façonne l’interaction entre l’homme et la technologie. Dans le contexte des systèmes d’information, la confiance est multidimensionnelle, englobant les croyances sur la compétence, la bienveillance et l’intégrité des systèmes^{technologiques.} Appliquée à l’IA, la confiance peut être distinguée selon deux dimensions conceptuellement distinctes : la confiance humaine, impliquant l’attribution de qualités anthropomorphes telles que la bienveillance et la prévisibilité ; et la confiance en la fonctionnalité, reflétant la confiance dans la fiabilité des capacités^{techniques 41}. Cette distinction est particulièrement pertinente dans les contextes éducatifs, où les élèves doivent décider dans quelle mesure s’appuyer sur le contenu généré par IA pour les tâches académiques. Selon le modèle de vraisemblance d’élaboration, les individus traitent l’information par voie centrale ou périphérique, selon leur motivation et leurs capacités. Lorsque la confiance est élevée, les élèves peuvent s’engager dans un traitement centralisé des voies, en scrutant et en développant le contenu généré par l’IA, augmentant ainsi la charge cognitive dirigée vers l’apprentissage⁴². La performance académique constitue la variable critère ultime dans la recherche en éducation, opérationnelle à la fois à travers des mesures objectives telles que les moyennes générales et des mesures subjectives capturant l’efficacité académique perçue par les étudiants⁴³. Les mesures auto-perçues offrent des informations précieuses sur la conscience métacognitive des élèves de leurs capacités d’apprentissage et ont démontré de fortes associations avec des indicateurs de performance objectifs. Une perception de soi pour évaluer l’efficacité académique perçue par les élèves, incluant des items liés à l’efficacité de l’apprentissage et à l’accomplissement des tâches⁴⁴. Cette approche est particulièrement appropriée dans les contextes améliorés par l’IA, où la confiance des élèves dans leur capacité à apprendre avec et grâce à des outils d’IA peut influencer les résultats réels de l’apprentissage.

Protocole

Le tableau des documents résume les instruments, logiciels et échelles utilisés dans l’étude, incluant les échelles adaptées et validées pour l’utilisation de l’IA générative, la confiance dans l’IA, la charge cognitive, la performance académique auto-perçue, les procédures d’échantillonnage et d’enquête, ainsi que les outils d’analyse de données (SPSS et SmartPLS). De plus, l’approbation éthique n’était pas applicable à cette étude car elle n’impliquait aucune manipulation expérimentale, procédure médicale ou intervention pouvant présenter des risques physiques ou psychologiques pour les participants. La recherche a utilisé un questionnaire en ligne non invasif et auto-administré pour collecter des données sur les perceptions, expériences et comportements des élèves concernant l’utilisation de l’IA générative dans les milieux académiques. Comme l’étude n’impliquait aucune interaction directe au-delà de la réalisation d’une enquête, aucun essai clinique, procédure biomédicale ou traitement expérimental n’a été administré, et les participants n’ont été soumis à aucune condition expérimentale pouvant causer des dommages ou de la détresse. Avant la collecte des données, tous les participants ont reçu un formulaire de consentement éclairé détaillé expliquant l’objectif de l’étude, la nature volontaire de leur participation et les mesures prises pour garantir l’anonymat et la confidentialité. Le consentement éclairé a été obtenu implicitement par la remplissage et la soumission du questionnaire, comme indiqué explicitement dans le formulaire de consentement éclairé. Les participants ont été assurés que leurs réponses seraient utilisées uniquement à des fins de recherche académique et qu’aucune information personnelle identifiable ne serait collectée ou rapportée. De plus, les participants ont été informés de leur droit de se retirer de l’étude à tout moment avant de soumettre le questionnaire, sans conséquences. Toutes les données étaient stockées de manière sécurisée sur des dispositifs protégés par mot de passe accessibles uniquement à l’équipe de recherche, et des résultats agrégés ont été rapportés pour empêcher l’identification des répondants individuels. Ces mesures ont permis que l’étude soit menée conformément aux principes éthiques de la Déclaration d’Helsinki et aux directives institutionnelles pour la recherche impliquant des participants humains, malgré l’absence de l’exigence formelle d’examen par le comité de revue par les CER.

Conception de la recherche

Cette étude utilise un plan de recherche quantitatif et transversal pour étudier les relations complexes entre l’utilisation de l’IA générative, la confiance en l’IA, la charge cognitive et la performance académique chez les étudiants de l’enseignement supérieur. Cette conception a été mise en œuvre à l’aide d’une stratégie d’enquête, choisie pour son efficacité et son efficacité dans la collecte de données standardisées à partir d’un grand échantillon, permettant ainsi des tests statistiques robustes des relations hypothétiques. La méthode d’enquête facilite la mesure systématique de chaque construction à l’aide d’échelles validées, garantissant que les données collectées sont à la fois fiables et comparables pour tous les répondants. De plus, l’adoption d’une approche transversale, dans laquelle les données sont collectées à un moment donné, est particulièrement appropriée pour cette étude, car elle permet d’examiner la prévalence actuelle de l’utilisation et de la confiance de l’IA générative chez les étudiants, tout en évaluant simultanément les interconnexions entre ces variables et leur influence collective sur la charge cognitive et la performance académique au sein de la population cible de l’étude.

Participants et procédure d’échantillonnage

La population cible de cette étude comprenait des étudiants inscrits dans des établissements d’enseignement supérieur ayant une expérience active de l’utilisation d’outils d’IA générative, en particulier ChatGPT et d’autres grands modèles de langage, à des fins académiques. Pour garantir une section transversale représentative de cette population et améliorer la généralisabilité des résultats, une technique d’échantillonnage aléatoire stratifié a été employée. Le cadre d’échantillonnage a été obtenu auprès du bureau du registraire de l’université, comprenant une liste complète des étudiants actuellement inscrits dans toutes les facultés. La stratification reposait sur deux variables démographiques clés : la discipline académique et l’année d’études. La discipline académique était divisée en quatre grandes couches : sciences humaines et sociales, sciences naturelles, ingénierie et technologie, ainsi que commerce et économie. L’année d’études était stratifiée en quatre niveaux : étudiants de première année, deuxième année, troisième et quatrième année, ainsi que des étudiants de troisième cycle (Master et Doctorat). Cette approche à double stratification garantissait une représentation proportionnelle de chaque sous-groupe au sein des élèves, évitant la surreprésentation ou la sous-représentation de tout domaine académique ou niveau académique. De chaque strate, les participants ont été sélectionnés au hasard à l’aide d’un générateur de nombres aléatoires, le nombre étant tiré proportionnellement à la représentation de cette strate dans l’ensemble des élèves. Cette approche systématique de la sélection des participants a permis que l’échantillon final reflète fidèlement la diversité de la population étudiante de l’enseignement supérieur, y compris les parcours académiques et la progression de l’éducation.

Concernant la démographie des participants, l’échantillon de 390 répondants comprenait un mélange diversifié d’élèves de différents groupes d’âge, généralement âgés de 18 à 35 ans ou plus, avec une représentation équilibrée des identités de genre proportionnelle à la démographie institutionnelle. L’échantillon comprenait des étudiants des quatre années de licence ainsi que des étudiants de troisième cycle, assurant la couverture des différentes étapes du développement académique et des niveaux variables d’exposition aux outils d’IA. Les disciplines académiques étaient représentées proportionnellement, avec des étudiants issus des sciences humaines, des sciences, de l’ingénierie et du commerce inclus dans l’échantillon. De plus, des informations démographiques de base, telles que l’expérience préalable en technologie, la fréquence d’utilisation de l’IA générative et le statut de la langue maternelle, ont été collectées pour fournir un contexte aux variables principales étudiées. Ce profilage démographique complet avait deux objectifs : d’une part, il permettait une caractérisation descriptive de l’échantillon, et deuxièmement, il permettait aux chercheurs de contrôler les variables de confusion potentielles lors des analyses ultérieures. La documentation détaillée de la procédure d’échantillonnage et des caractéristiques démographiques garantit que d’autres chercheurs peuvent reproduire cette étude avec précision, répondant ainsi à l’exigence scientifique de reproductibilité et permettant des comparaisons significatives entre différents contextes institutionnels et culturels. De plus, cette approche rigoureuse d’échantillonnage a renforcé la validité externe des résultats, permettant une généralisation plus confiante des résultats à l’ensemble de la population étudiante de l’enseignement supérieur. Les données de cette étude ont été collectées à l’aide d’un questionnaire en ligne structuré et auto-administré. Le questionnaire est divisé en cinq sections, conçues pour mesurer les concepts fondamentaux de l’étude à l’aide d’échelles établies et validées. Tous les items, sauf indication contraire, seront mesurés sur une échelle de Likert à cinq points, allant de 1 (« Fortement en désaccord ») à 5 (« Fortement d’accord »).

Instrumentation et mesures

L’utilisation de l’IA générative, en particulier ChatGPT, a été quantifiée à l’aide d’une échelle de 8 items adaptée d’une étude^{de 45}. Cette échelle va au-delà de la simple fréquence d’utilisation pour capturer la nature multifacette de l’interaction des étudiants avec l’IA. Les items se concentrent sur trois dimensions clés : (a) la fréquence d’utilisation pour diverses tâches académiques, (b) les usages spécifiques pour lesquels il est employé (par exemple, brainstorming, synthèse de contenu, relecture), et (c) l’efficacité perçue par les étudiants de cet outil pour améliorer leur travail académique lié à la langue. La confiance en l’IA a été conceptualisée comme une construction multidimensionnelle, s’appuyant sur des cadres établis de confiance^{interpersonnelle 46} et de confiance technologique. L’échelle comprend deux dimensions distinctes. Confiance humaine : Cette sous-échelle de 6 items mesure dans quelle mesure les élèves attribuent à l’IA des qualités humaines similaires, telles que la bienveillance, l’intégrité et la prévisibilité. Par exemple, les items évaluent si les élèves estiment que l’IA agit dans leur intérêt ou fournit des informations impartiales. Confiance en la fonctionnalité : Cette sous-échelle en 5 items évalue la confiance dans la performance fonctionnelle de l’IA. Il met l’accent sur la fiabilité, la compétence et la fiabilité de la technologie elle-même, capturant la conviction que l’IA possède les fonctionnalités nécessaires pour accomplir efficacement les tâches académiques.

La charge cognitive a été mesurée à l’aide d’une échelle adaptée d’une autre étude⁴⁷, qui est fondée sur la CLT. Pour saisir la structure triarchique de la CLT, l’échelle est divisée en trois sous-échelles : Charge intrinsèque (3 éléments) : cette sous-échelle évalue la complexité et la difficulté perçues inhérentes aux supports d’apprentissage et aux tâches elles-mêmes. Un exemple pourrait être : « Les sujets abordés dans mes cours sont très complexes. » Charge superflue (3 items) : Cette sous-échelle mesure la charge cognitive imposée par la conception pédagogique et la manière dont l’information est présentée. Un exemple est : « Les instructions pour les devoirs sont souvent floues et difficiles à suivre. Apprentissage perçu de soi (4 items) : Suite à des recherches éducatives antérieures, cette sous-échelle a été utilisée comme un indicateur approximatif du traitement cognitif pertinent plutôt que comme mesure directe de la charge pertinente^{elle-même 48}. Ces items capturent la perception des élèves sur l’effort mental investi dans la compréhension, la compréhension et les processus de construction de schémas associés à un apprentissage significatif. Cependant, comme l’apprentissage perçu par soi peut conceptuellement chevaucher des perceptions plus larges de la capacité et de la réussite académique, il doit être interprété prudemment comme une représentation partielle opérationnelle de l’engagement cognitif productif plutôt que comme une mesure définitive de la charge pertinente. Il inclut des éléments liés à la compréhension, à la compréhension et au sentiment d’avoir maîtrisé la matière. Suivant les précédents établis en recherche^{éducative 46}, la performance académique a été opérationnalisée à l’aide d’une échelle d’auto-perception. Un instrument à 4 éléments a été utilisé. Cette approche est appropriée pour saisir l’évaluation subjective par les élèves de leur efficacité d’apprentissage et de leurs réussites académiques. L’échelle se concentre sur l’efficacité académique perçue et inclut des affirmations telles que : « J’ai confiance en ma capacité à réussir mes travaux scolaires » et « Je pense avoir appris à gérer mes tâches académiques de manière efficace et efficiente. »

Stratégie d’analyse des données

La modélisation structurelle partielle des moindres carrés (PLS-SEM) a été utilisée pour examiner les relations entre l’utilisation de l’IA générative, la confiance en l’IA, la charge cognitive et la performance académique perçue par soi-même. Le choix du PLS-SEM a été guidé à la fois par des considérations méthodologiques et analytiques. Premièrement, l’étude adopte une perspective de modélisation orientée vers la prédiction et exploratoire, visant à examiner les voies associatives parmi des concepts relativement émergents dans des contextes d’apprentissage enrichi par l’IA, plutôt que de tester une théorie causale pleinement établie. Deuxièmement, PLS-SEM est considéré comme approprié pour des modèles complexes impliquant plusieurs constructions latentes et voies de médiation, en particulier lorsque l’objectif principal est l’explication de la variance et l’analyse prédictive. De plus, PLS-SEM est robuste dans des conditions de distribution de données anormales et convient à la recherche par sondage en sciences sociales utilisant des tailles d’échantillons modérées. Compte tenu de la nature exploratoire de la recherche en IA générative dans l’enseignement supérieur et de l’accent mis par l’étude sur l’examen des associations prédictives entre les constructions perceptuelles, PLS-SEM a été jugé méthodologiquement approprié pour la présente analyse.

Les données collectées seront analysées selon une approche en deux étapes, utilisant la modélisation structurelle des équations partielles des moindres carrés (PLS-SEM) avec le logiciel SmartPLS 4. PLS-SEM est une technique basée sur la variance, adaptée aux modèles prédictifs complexes et ne nécessite pas que les données soient distribuées normalement. Étape 1 : Évaluation du modèle de mesure. La première étape consiste à évaluer la fiabilité et la validité des constructions. La fiabilité de la cohérence interne sera évaluée à l’aide de la fiabilité alpha et composite de Cronbach, avec un seuil de 0,70. La validité convergente sera établie en examinant les charges extérieures des indicateurs (doivent être > 0,70) et la variance moyenne extraite (AVE) pour chaque construction (devrait être > 0,50). La validité discriminante, qui garantit que les constructions sont empiriquement distinctes, sera évaluée à l’aide du critère de Fornell-Larcker et du rapport Hétérotrait-Monotrait (HTMT) des corrélations. Étape 2 : Évaluation du modèle structurel. Une fois que le modèle de mesure est confirmé comme fiable et valide, le modèle structurel sera évalué pour tester les hypothèses de l’étude. Cela implique d’examiner les coefficients de chemin (β) pour en déterminer leur signification et leur pertinence à l’aide d’une procédure de bootstrapping avec 5 000 rééchantillons. Les critères clés d’évaluation incluront le coefficient de détermination (R²) : mesurer le pouvoir prédictif du modèle (c’est-à-dire la variance expliquée dans les variables endogènes, en particulier la performance académique). Pertinence prédictive (Q²) : Utilisation de la procédure de bandeau pour évaluer la précision prédictive du modèle. Tailles d’effet (f²) : Évaluer l’impact substantiel de chaque variable indépendante sur les variables dépendantes. Analyse de médiation : Tester le rôle médiateur de la charge cognitive dans la relation entre les antécédents liés à l’IA (utilisation de l’IA générative, confiance en l’IA) et la performance académique. La signification des effets indirects sera évaluée à l’aide d’intervalles de confiance bootstrappés.

Résultats

Statistiques descriptives

Des statistiques descriptives ont été calculées pour résumer les tendances centrales et la dispersion des variables clés de cette étude, notamment l’utilisation de l’IA générative, la confiance humaine, la confiance en la fonctionnalité, la charge intrinsèque, la charge extranée, l’apprentissage perçu de soi et la performance académique. L’analyse descriptive a été réalisée à l’aide de la version 26 de SPSS, et les résultats sont présentés dans le

Discussion

La première découverte majeure de cette étude a révélé que l’utilisation de l’IA générative est positivement associée à la charge cognitive (β = 0,34, p < 0,001), un résultat cohérent avec l’Hypothèse 1. Cette découverte suggère que les étudiants qui rapportent une utilisation plus fréquente d’outils d’IA générative tels que ChatGPT rapportent également une charge cognitive plus élevée lors de leurs activités d’apprentissage. Cette association positive entre l’utilisation de l’I...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Blindfolding Procedure	SmartPLS 4 (built-in)	N/A	Calcule Q² pour la pertinence prédictive du modèle structurel.
Bootstrapping Procedure (5,000 rééchantillons)	SmartPLS 4 (built-in)	N/A	Utilisé pour évaluer la signification des coefficients de chemin (β) et des effets indirects.
Cognitive Load Scale – Extraneous Load (3 items)	Hadie & Yusoff (2021)	N/A (échelle validée)	Charge cognitive résultant de la conception pédagogique et de la présentation des informations.
Cognitive Load Scale – Intrinsic Load (3 items)	Hadie & Yusoff (2021)	N/A (échelle validée)	Complexité/difficulté perçue des matériaux/tâches d'apprentissage.
Cognitive Load Scale – Self-Perceived Learning (4 items)	Hadie & Yusoff (2021)	N/A (échelle validée)	Proxy pour le traitement cognitif pertinent; capture l'effort mental pour la compréhension et la construction de schémas.
Fornell-Larcker Criterion	SmartPLS 4 (built-in)	N/A	Évalue la validité discriminante des construits.
Generative AI Usage Scale (8 items)	Abbas et al. (2023)	N/A (échelle adaptée)	Mesure la fréquence, le but et l'efficacité perçue de l'utilisation de l'IA générative (ChatGPT) pour les tâches académiques. Échelle de Likert à 5 points.
HTMT Ratio of Correlations	SmartPLS 4 (built-in)	N/A	Ratio hétérotrait-monotrait; contrôle supplémentaire de la validité discriminante.
Informed Consent Form	Study team (institutional guidelines)	N/A	Description détaillée du but de l'étude, de la participation volontaire, de l'anonymat, de la confidentialité et du droit de se retirer. Consentement implicite via la complétion de l'enquête.
Online Questionnaire Platform	Not specified (generic)	N/A	Questionnaire structuré, auto-administré, basé sur le web; tous les éléments sur une échelle de Likert à 5 points (1 = Strongly Disagree à 5 = Strongly Agree).
Sampling Frame	University Registrar’s Office	N/A (institutional record)	Liste complète des étudiants actuellement inscrits dans toutes les facultés utilisée pour l'échantillonnage aléatoire stratifié.
Self-Perceived Academic Performance Scale (4 items)	Adapted from educational research precedent	N/A (échelle adaptée)	Évaluation subjective de l'efficacité et de la réussite académique (par exemple, confiance dans les cours, gestion efficace des tâches).
SmartPLS 4 Software	SmartPLS GmbH	Version 4	Logiciel de modélisation d'équations structurelles basé sur la variance; utilisé pour l'analyse PLS-SEM, le bootstrapping, le blindfolding.
SPSS version 26	IBM	N/A	Utilisé pour le dépistage préliminaire des données, les statistiques descriptives et toute gestion de données pré-PLS-SEM (le cas échéant).
Stratified Random Sampling Procedure	Study team (manual)	N/A	Strata basés sur la discipline académique (4 catégories) et l'année d'étude (5 niveaux: 1ère-4ème année de licence + post-graduat). Générateur de nombres aléatoires utilisé au sein des strates.
Trust in AI Scale – Functionality Trust (5 items)	Adapted from technology trust literature	N/A (échelle adaptée)	Mesure la fiabilité perçue, la compétence et la dépendance de l'IA pour les tâches académiques.
Trust in AI Scale – Human-like Trust (6 items)	Adapted from interpersonal trust (Rempel et al.) and technology trust literature	N/A (échelle adaptée)	Évalue la bienveillance, l'intégrité et la prévisibilité attribuées à l'IA.