Enseignement centré sur l'élève assisté par l'IA et conception académique de soi et compétence en communication des adolescents : une étude mixte

Résumé

Cette étude à méthodes mixtes évalue une routine de classe assistée par l’IA et centrée sur l’élève, impliquant l’enquête soutenue par l’IA, la discussion entre pairs, la clarification de l’enseignant et l’auto-évaluation. L’étude se concentre sur le concept académique auto-déclaré et la compétence en communication, et fournit suffisamment de détails procéduraux pour faciliter la réplication en classe.

Résumé

Cette étude quasi-expérimentale mixte, basée en classe, a examiné si l’enseignement centré sur l’élève assisté par l’IA était associé à des changements dans la conception académique de soi des adolescents et sa capacité en communication autodéclarée. Six classes intactes ont été assignées soit à l’instruction assistée par l’IA, soit à la condition habituelle centrée sur l’élève. L’intervention a intégré des consignes soutenues par l’IA dans un cycle d’apprentissage structuré comprenant l’enquête individuelle, la discussion entre pairs, la clarification de l’enseignant et l’auto-évaluation. Sur les 186 étudiants recrutés, 174 ont été conservés pour l’analyse quantitative. Le concept académique de soi et la compétence en communication auto-déclarée ont été évalués au départ, immédiatement après l’intervention, et lors d’un suivi à court terme prédéfini. La qualité de l’interaction, l’auto-évaluation et l’engagement des apprenants ont été mesurés après l’intervention, et 36 élèves ont participé à des entretiens semi-structurés. Comparé au groupe d’instruction habituel, le groupe assisté par IA a montré des gains ajustés de base plus importants dans les résultats post-intervention et en suivi. Les analyses exploratoires des processus ont indiqué une meilleure qualité d’interaction, une auto-évaluation et un engagement des apprenants dans le groupe assisté par l’IA, tandis que les résultats qualitatifs ont suggéré que les incitations soutenues par l’IA ont aidé les élèves à vérifier les explications, à réviser les réponses et à rendre l’auto-évaluation plus explicite lorsqu’elles sont combinées à des discussions entre pairs et à l’accompagnement de l’enseignant. Comme les participants étaient répartis au niveau de la classe et que les résultats étaient principalement auto-déclarés, les résultats doivent être interprétés comme des associations en classe plutôt que comme des preuves définitives d’une amélioration causale des performances scolaires.

Introduction

L’intelligence artificielle (IA) est devenue de plus en plus présente dans les milieux éducatifs. Cependant, sa valeur pédagogique reste incohérente, car le simple accès à un outil technologique ne constitue pas intrinsèquement un processus d’apprentissage. Bien que les critiques mettent en avant les avancées de l’IA éducative, elles négligent souvent le rôle de l’enseignant et les interactions en classe. C’est crucial pour les adolescents, qui forment activement des jugements de compétence et testent leurs idées avec leurs pairs. Par conséquent, l’apprentissage soutenu par l’IA doit être mis en œuvre comme un arrangement pédagogique délibéré qui façonne la manière dont les élèves questionnent, évaluent et discutent, plutôt que de servir de simple exposition technologique.

L’enseignement centré sur l’élève offre un cadre solide pour relever ce défi. En éloignant les élèves de la réception passive, cette approche privilégie la participation active, l’engagement dans les tâches, l’explication entre pairs et la prise de décision autonome. La recherche méta-analytique confirme que des environnements d’apprentissage actifs, caractérisés par la résolution de problèmes et l’implication des étudiants, peuvent considérablement améliorer la performance académique par rapport aux cours magistraux^{traditionnels 1}. Néanmoins, l’enseignement centré sur l’élève n’est pas intrinsèquement efficace. Elle nécessite des tâches pédagogiques suffisamment structurées pour guider la participation, mais suffisamment flexibles pour encourager les élèves à expliquer, comparer et réviser des idées. Cette dynamique devient encore plus complexe dans les classes assistées par l’IA. Bien que l’IA puisse rapidement générer des exemples, des explications et des suggestions, l’absence de conseils et d’évaluation par les pairs peut amener les élèves à accepter ces résultats sans critique, les traitant comme des raccourcis cognitifs plutôt que comme des matières premières pour une réflexion plus profonde.

Le concept académique de soi constitue un résultat très pertinent dans ce contexte, reflétant les croyances spécifiques des étudiants à leur domaine concernant leurs capacités académiques. Des recherches antérieures ont établi que le concept de soi académique n’est pas un trait de personnalité statique, mais plutôt une construction dynamique étroitement liée à la réussite et aux expériences d’apprentissage^{continues 2}. Cette étude évalue le concept académique de soi afin d’évaluer la confiance des étudiants dans leur capacité à améliorer leur travail. La compétence en communication constitue un résultat secondaire, car l’intervention exige que les élèves formulent des justifications et affinent les explications grâce à un retour d’information structuré des pairs.

Le retour d’information et l’auto-évaluation constituent le pont pédagogique crucial reliant le soutien de l’IA à ces résultats d’apprentissage ciblés. Une évaluation formative efficace exige que les élèves surveillent activement les progrès, les mesurent par rapport aux normes et agissent sur les écarts de performance ^3,4. Dans une classe centrée sur l’élève assistée par l’IA, les consignes IA peuvent générer des explications alternatives ou des indices pour la révision. Cependant, la véritable valeur éducative de ces questions dépend de la manière dont les élèves examinent le résultat, le débattent avec leurs pairs et le traduisent en une réponse affinée. Par conséquent, l’auto-évaluation dans cette étude n’est pas opérationnelle comme une attitude vague, mais comme un comportement concret et observable en classe visant à identifier les lacunes d’apprentissage et à apporter des révisions.

L’engagement des apprenants joue un rôle tout aussi essentiel dans ce cycle d’apprentissage. Reconnu comme un concept multidimensionnel, l’engagement englobe la participation comportementale, l’implication émotionnelle et l’investissement^{cognitif 5}. Cette multidimensionnalité est particulièrement pertinente chez les adolescents, car une conformité superficielle ne garantit pas un traitement cognitif profond. Un étudiant peut compléter une fiche mécaniquement sans analyser le raisonnement sous-jacent, tandis qu’un autre peut poser moins de questions mais s’engager profondément grâce à une auto-surveillance et une révision continues. L’introduction de l’IA peut théoriquement augmenter l’engagement en fournissant un matériel riche pour comparaison et enquête ; Inversement, cela peut nuire à l’engagement si les élèves se reposent sans effort sur des résultats automatisés. En conséquence, cette étude contextualise l’engagement de l’apprenant parallèlement à la qualité de l’interaction et à l’auto-évaluation, évitant délibérément de considérer l’utilisation de l’IA comme un événement isolé en classe.

Les débats autour des grands modèles de langage éducatifs mettent en lumière une tension entre l’aide individualisée et les risques tels que la dépendance excessive ou la diminution des efforts lorsqu’ils sont déployés sans limites strictes. Par conséquent, la chorégraphie pédagogique de la routine d’apprentissage est tout aussi importante que la technologie de l’IA elle-même. La présente étude a intégré des consignes soutenues par l’IA dans une séquence cohérente en cinq étapes : briefing enseignant, enquête individuelle, discussion entre pairs, clarification de la classe entière et auto-évaluation. Cette conception spécifique positionne intentionnellement la production de l’IA comme un matériau préliminaire soumis à une vérification et une révision rigoureuses, plutôt que comme une réponse finale infaillible.

Un plan de recherche à méthodes mixtes a été adopté car les données d’enquête quantitatives seules ne peuvent pas saisir adéquatement les nuances des expériences d’apprentissage vécues par les élèves. Les approches mixtes sont particulièrement précieuses lorsque les trajectoires des résultats doivent être interprétées sur fond d’expériences des participants, des conditions de mise en œuvre et des dynamiques en cours^{de classe 6}. Dans l’enquête actuelle, la composante quantitative a suivi les évolutions du développement dans l’auto-concept académique et la compétence en communication. Parallèlement, la composante qualitative a exploré comment les élèves ont caractérisé la qualité de l’interaction, les pratiques d’auto-évaluation, l’engagement dans les tâches et les obstacles perçus pendant l’intervention. Ces deux courants de preuves ont ensuite été intégrés pour évaluer si les schémas quantitatifs observés correspondaient aux expériences de classe au niveau du terrain des élèves.

Cette étude couvre également une lacune pratique importante dans la littérature sur l’enseignement assisté par IA. Bien que de nombreuses études évaluent les résultats pilotés par l’IA, relativement peu offrent un protocole de classe transparent et reproductible détaillant l’utilisation rapide, l’échafaudage entre pairs, la comparaison des groupes témoins, la surveillance de la fidélité et l’intégration de données par méthodes mixtes. Des décennies de recherches sur l’interaction entre pairs démontrent que les élèves en bénéficient substantiellement lorsqu’ils expliquent les concepts, reçoivent des retours de leurs pairs et affinent continuellement leur compréhension grâce au dialogue⁷. La présente étude s’appuie sur cette logique fondamentale, en examinant si les prompts générés par l’IA peuvent être efficacement intégrés à cette structure dialogique sans écarter les rôles indispensables de guidance enseignante et de collaboration entre pairs.

En conséquence, cette étude a examiné l’enseignement centré sur l’élève assisté par l’IA comme un protocole structuré en classe, plutôt que comme une simple exposition à un outil d’IA. La voie pédagogique proposée était que les incitations soutenues par l’IA fourniraient d’abord du matériel pour l’enquête et la comparaison ; La discussion entre pairs et la clarification des enseignants exigeraient alors que les élèves vérifient, justifient et révisent ce contenu ; et la dernière étape d’auto-évaluation aiderait les élèves à reconnaître les progrès et les lacunes non résolues. Dans ce parcours, la qualité de l’interaction, l’auto-évaluation et l’engagement de l’apprenant ont été traités comme des variables exploratoires du processus pouvant aider à expliquer comment les élèves ont vécu la routine pédagogique, plutôt que comme des médiateurs confirmés.

Les principales questions de recherche étaient les suivantes : Le protocole centré sur l’élève assisté par l’IA provoque-t-il des changements plus importants dans le concept académique de soi et la compétence en communication auto-déclarée que l’enseignement habituel centré sur l’élève ? La qualité des interactions post-intervention, l’auto-évaluation et l’engagement des apprenants sont-ils meilleurs dans la condition assistée par IA ? Les questions exploratoires secondaires étaient les suivantes : Ces variables de processus montrent-elles des associations avec les scores de changement de résultat ? Les thèmes qualitatifs des entretiens convergent-ils avec, développent-ils ou compliquent-ils les résultats quantitatifs ? Comme les classes intactes, et non les élèves individuels, étaient assignées aux conditions, tous les résultats ont été interprétés avec une prudence explicite concernant l’inférence causale et le regroupement au niveau de la classe.

Protocole

Toutes les méthodes impliquant des participants humains ont été menées conformément aux directives institutionnelles et à la déclaration d’Helsinki. Le protocole d’étude a été examiné et approuvé par le comité d’examen institutionnel du collège de construction de la ville de Guangzhou (n° d’approbation IRB. GZCJ2026A016 ; date d’approbation : 2 janvier 2026). Le titre de l’étude approuvée était « enseignement centré sur l’élève assisté par IA et conception académique de soi et compétence en communication des adolescents : une étude à méthodes mixtes. » Une autorisation écrite a été obtenue de l’école participante avant la mise en œuvre de l’étude. Un consentement éclairé écrit a été obtenu des parents ou tuteurs légaux, et l’assentiment écrit a été obtenu de tous les élèves participants. Les étudiants ont été informés que la participation était volontaire et qu’ils pouvaient se retirer de l’étude à tout moment sans pénalité académique. Aucun nom, coordonnée, identifiant scolaire, grade ou autre information directement identifiable n’a été saisi sur la plateforme de chatbot IA ni inclus dans le jeu de données public. Toutes les procédures d’étude ont été menées pendant la période approuvée du 2 janvier 2026 au 2 janvier 2027. Tous les outils et plateformes utilisés dans cette étude sont listés dans le tableau des matériaux

Conception des études et devoirs en classe

Cette étude a utilisé une conception de classe quasi-expérimentale et mixte, avec deux conditions pédagogiques : un groupe d’enseignement centré sur l’élève assisté par l’IA et un groupe d’enseignement habituel centré sur l’élève. Les mesures longitudinales ont été réalisées à trois moments : la base avant l’intervention (T1), immédiatement après la dernière séance d’instruction (T2), et lors d’une évaluation de suivi à court terme (T3) prédéfinie. L’intervalle T2–T3 a été enregistré dans le journal de l’étude et maintenu cohérent à travers le manuscrit, le jeu de données, les scripts d’analyse et les labels de figures. La figure 1 résume le recrutement, l’affectation des classes, le calendrier des évaluations, les exclusions et l’échantillonnage qualitatif. En raison de contraintes administratives et écologiques qui empêchaient la randomisation individuelle, six classes intactes ont été attribuées au niveau de la classe, avec trois classes en condition assistée par IA et trois classes en condition de comparaison. Chaque classe a contribué avec 29 étudiants à l’échantillon analytique final. Le niveau scolaire, la matière, la séquence des cours, la durée des séances, les tâches en classe, le planning d’évaluation et le temps de contact avec l’enseignant ont été maintenus comparables selon les conditions. Les identifiants de classe ont été conservés pour les vérifications statistiques sensibles au groupe.

Recrutement des participants et sélection d’éligibilité

Les participants étaient recrutés directement parmi les classes intactes participantes. Les élèves ainsi que leurs parents ou tuteurs légaux ont reçu une fiche d’information détaillée détaillant l’objectif de l’étude, les procédures en classe, les activités soutenues par l’IA, les calendriers des questionnaires, la composante d’entretien optionnelle, les protections de la vie privée, les droits de retrait et les plans de stockage des données. Les élèves étaient inclus dans l’étude s’ils étaient inscrits à l’une des classes participantes, assistaient à des cours en classe régulières, fournissaient leur consentement écrit, obtenaient le consentement écrit des parents ou tuteurs, et remplissaient le questionnaire de référence avant la première session. Inversement, les élèves ont été exclus de l’échantillon analytique final s’ils avaient été transférés de l’école, manqué plus de 25 % des séances d’intervention, soumis des questionnaires invalides ou retiré l’autorisation d’utilisation des données. Une raison principale d’exclusion a été documentée pour chaque participant exclu. Avant la saisie des données, chaque participant éligible se voyait attribuer un code d’identification unique pour l’étude. Les covariables démographiques et éducatives pertinentes ont été enregistrées, notamment l’âge, le genre, l’identifiant de classe, la bande de performance académique de base, l’exposition antérieure à l’apprentissage assisté par IA et la familiarité de base avec l’apprentissage numérique. Pour le suivi statistique, la variable du groupe d’instructions était codée comme 0 pour la condition de comparaison et 1 pour la condition assistée par l’IA.

Matériel pédagogique et intervention

Une unité pédagogique de six sessions (Tableau Supplémentaire 1) a été développée avant sa mise en œuvre, chaque session en classe durant entre 40 et 45 minutes. Des objectifs d’apprentissage identiques, des sujets de leçons, des fiches d’exercices, des tâches de discussion entre pairs, des formulaires d’auto-évaluation et des incitations de réflexion ont été appliqués dans les deux conditions pédagogiques. La structure du questionnaire, les consignes de notation, les items à notation inversée et les variables finales au niveau de l’échelle suivaient la carte de notation verrouillée du Tableau 1. Les supports de reproductibilité comprenaient des plans de cours (Tableau Supplémentaire 1), des fiches d’introduction IA (Tableau Supplémentaire 2), des fiches d’instructions pour enseignants (Tableau Supplémentaire 3), des fiches d’exercices pour élèves (Tableau Supplémentaire 4), des formulaires d’auto-évaluation (Tableau Supplémentaire 5), des listes de contrôle d’observation (Tableau Supplémentaire 6), des journaux d’incidents techniques (Tableau Supplémentaire 7), des guides d’entretien (Tableau Supplémentaire 8) et un codebook qualitatif (Tableau supplémentaire 9). L’enseignant participant a suivi la formation à l’aide d’un guide écrit couvrant la séquence de sessions, les limites d’utilisation de l’IA, les procédures de groupes de comparaison, les exigences en matière de confidentialité et les listes de contrôle de fidélité. Une répétition avec des étudiants non étudiant a été organisée pour vérifier le timing des activités, l’accès aux appareils, la clarté des feuilles d’exercices et la difficulté des tâches. L’outil d’IA était un chatbot basé sur ChatGPT approuvé institutionnellement, utilisant l’architecture GPT-4. Pour l’utilisation en classe, l’historique des discussions, la mémoire des profils, la navigation web, les plug-ins, la génération d’images et l’évaluation automatisée ont été désactivés. Le manuscrit utilise le terme générique « plateforme de chatbot IA » après sa première mention afin d’éviter les langages promotionnels. Les principes de conception des prompts ont été fixés avant l’intervention et l’utilisation limitée de l’IA à la clarification, à la génération d’exemples, à la comparaison d’explications, au soutien ciblé des révisions et aux indices d’auto-évaluation. Des prompts représentatifs, des exemples de résultats d’IA et des exemples de modération des enseignants ont été conservés dans les supports de reproductibilité.

Chaque session assistée par l’IA s’est déroulée en cinq phases structurées. Tout d’abord, un briefing de 5 minutes pour les enseignants a été organisé pour énoncer les objectifs d’apprentissage, expliquer les tâches, identifier la plateforme de chatbot IA configurée et rappeler aux élèves que les résultats de l’IA étaient des prompts provisoires plutôt que des réponses faisant autorité. Les élèves ont été strictement invités à ne pas saisir d’informations personnelles identifiables sur la plateforme. Ensuite, une activité individuelle d’enquête de 10 minutes soutenue par IA a suivi, au cours de laquelle les élèves ont utilisé la feuille de consignes préparée pour demander des clarifications, des exemples, des explications alternatives ou des suggestions de révision. Chaque élève a enregistré la catégorie de consigne utilisée, une idée utile soutenue par l’IA, un point nécessitant une vérification, et sa décision finale d’adoption. Troisièmement, une activité de discussion entre pairs de 12 à 15 minutes a été organisée, au cours de laquelle les élèves ont comparé leurs idées soutenues par l’IA en petits groupes, identifié des inexactitudes et révisé leur travail de manière collaborative. Durant cette phase, l’enseignant a circulé dans la classe pour appliquer une règle standardisée de modération, incitant les élèves à justifier verbalement leurs révisions selon les critères des leçons et à corriger les résultats erronés ou trop confiants de l’IA avant la finalisation. Quatrièmement, une séance de clarification de 5 à 8 minutes dans toute la classe a été organisée pour corriger les idées reçues répandues et corriger les erreurs factuelles. Enfin, une activité d’auto-évaluation de 5 minutes a conclu la séance, au cours de laquelle les élèves ont évalué leur compréhension, enregistré une amélioration concrète et noté une question non résolue. Cette séquence opérationnelle exacte a été maintenue dans toutes les classes d’intervention. Des feuilles d’invite imprimées servaient de sauvegarde technique, et les déviations techniques affectant plus d’un tiers d’une classe étaient explicitement enregistrées. Des exemples anonymisés de prompt-output-modération ont été conservés et documentés dans les Tables Supplémentaires 2, 3.

La condition comparative a été présentée en utilisant la même durée de session, les objectifs d’apprentissage, la séquence des sujets, les fiches d’exercices, les intervalles de discussion entre pairs, les formulaires d’auto-évaluation et les fenêtres de retour des enseignants. Cependant, les consignes soutenues par l’IA ont été remplacées par des consignes standardisées, préparées par l’enseignant, qui demandaient aux élèves d’expliquer les concepts fondamentaux, de comparer des exemples, d’identifier les faiblesses et de réviser leur travail. La structure identique en cinq étapes, englobant le briefing, l’enquête individuelle, la discussion entre pairs, la clarification de toute la classe et l’auto-évaluation finale, a été strictement maintenue. Aucun tutorat supplémentaire, aucun devoir hors cours, périodes de rétroaction prolongées ou autres tâches d’évaluation n’ont été fournies pour l’un ou l’autre des deux états. La présence en classe, les troubles comportementaux, les substitutions d’enseignants et les composantes incomplètes ont été documentées en utilisant le même format de journalisation pour les deux groupes.

Collecte de données, surveillance de la fidélité et analyse quantitative

Les questionnaires d’évaluation ont été administrés au départ, après l’intervention et les intervalles de suivi, en utilisant une formulation cohérente des items, des échelles de réponse et des règles de notation sur les trois vagues de mesure. Les instruments comprenaient des échelles validées évaluant le concept académique de soi, la compétence en communication, la qualité de l’interaction, l’auto-évaluation et l’engagement de l’apprenant. Les réponses ont été recueillies à l’aide d’une échelle standard de type Likert à 5 points, allant de 1 (fort désaccord) à 5 (forte concordance), les scores plus élevés indiquant des niveaux plus élevés du concept cible. Les scores individuels de l’échelle ont été calculés comme la moyenne arithmétique des items valides après un codage inverse nécessaire. Les valeurs manquantes des items étaient remplacées par la moyenne des scores de l’élève dans la même échelle et la même vague, à condition qu’il ne manque pas plus de 20 % des items. Les échelles avec plus de 20 % d’items manquants ont été considérées comme manquantes, et les données provenant d’une vague d’évaluation totalement absente n’ont pas été imputées. Avant l’analyse statistique, le jeu de données brut a été soigneusement audité pour détecter les violations de portée, les entrées en double, les schémas de réponse en ligne droite et les temps de complétion anormaux. Les enregistrements étaient signalés comme invalides et exclus s’ils présentaient des valeurs numériques impossibles, des réponses invariantes sur tous les items, ou des temps de complétion inférieurs à un tiers de la durée médiane, sauf si des journaux explicites de classe validaient leur authenticité. Les principales analyses post-intervention et de suivi comprenaient des étudiants ayant fourni des scores de référence valides ainsi que des données correspondantes post-intervention ou suivi, évitant ainsi la suppression unilatérale liste pour des plannings partiellement complets. Un dictionnaire de données verrouillé a été établi avant la saisie des données pour définir les noms des variables, les étiquettes, les plages de réponse, les codes de valeur manquants, les règles de notation inversée, les identifiants de vagues et les constructions finales au niveau de l’échelle. Les données du questionnaire étaient saisies sous un format large, avec une seule ligne par élève et des suffixes d’onde (_T1, _T2, _T3) utilisés pour distinguer les ondes de mesure. Les plages numériques et les enregistrements uniques des participants ont été vérifiés de façon computationnelle, et les schémas de manque ont été inspectés entre groupes, classes et vagues à partir du registre maître de présence.

Une liste standardisée d’observation en classe était utilisée à chaque session pédagogique pour surveiller la fidélité de la mise en œuvre. Chaque composante pédagogique était notée 0 (non complété), 1 (partiellement complétée) ou 2 (entièrement complétée). Les composantes évaluées correspondaient strictement à la séquence pédagogique en cinq phases, incluant le briefing de l’enseignant, l’enquête individuelle, la discussion entre pairs, la clarification de l’ensemble de la classe et la complétion des dossiers d’auto-évaluation. Le pourcentage global de fidélité à la séance a été calculé en divisant le score observé par le score maximal possible. Toute session tombant en dessous d’un seuil de fidélité de 70 % était enregistrée comme une déviation de protocole. Pour garantir la fiabilité entre les évaluateurs, un second observateur formé évaluait indépendamment au moins 20 % du total des sessions. L’accord en pourcentage a été calculé sur tous les éléments, et toute divergence d’évaluation a été résolue par discussion consensuelle chaque fois que l’accord initial descendait sous 80 %. Les dysfonctionnements techniques matériels ou logiciels étaient enregistrés dans des journaux séparés afin de les distinguer des problèmes de fidélité des instructions.

Les analyses statistiques ont été réalisées à l’aide d’un flux de travail reproductible basé sur un script, dans lequel la graine aléatoire était fixée avant tout échantillonnage ou contrôle de sensibilité. Tous les tests statistiques étaient bidirectionnels, avec une signification fixée à p < 0,05. Les variables continues étaient résumées en moyennes et écarts-types, tandis que les variables catégorielles étaient exprimées en fréquences et pourcentages. L’équivalence de base entre les cohortes a été évaluée de manière descriptive à l’aide de tests t à échantillons indépendants pour les données continues et des tests chi-carré pour les distributions catégorielles. La cohérence interne a été mesurée à l’aide de l’alpha de Cronbach, en appliquant des seuils de α ≥ 0,70 pour les échelles générales et α ≥ 0,80 pour les critères de jugement primaires, parallèlement à des corrélations correctes entre les items et le nombre total d’objets. L’ANCOVA ajusté à la base a constitué l’approche analytique principale. Des modèles distincts ont été adaptés à chaque résultat principal, avec le score post-intervention ou de suivi spécifié comme variable dépendante, le groupe d’instruction comme principal prédicteur, et le score de référence correspondant comme covariable obligatoire. Des covariables supplémentaires (genre, bande de performance académique de référence et exposition antérieure à l’IA) ont été incluses pour contrôler les déséquilibres de base ou leur pertinence théorique, et des différences moyennes ajustées, des intervalles de confiance à 95 %, des erreurs standard et des valeurs de R² du modèle ont été rapportées. Des comparaisons de changement (T2–T1 et T3–T1) ont été réalisées comme analyses secondaires à l’aide d’échantillons indépendants des tests t de Welch, avec des tailles d’effet quantifiées à l’aide de la d de Cohen. Des analyses exploratoires de processus ont évalué les corrélations de Pearson entre variables de processus et changements de résultats, complétées par des régressions linéaires multi-prédictrices avec une surveillance du facteur d’inflation de variance (VIF) afin de vérifier la multicolinéarité. Enfin, des vérifications sensibles au cluster ont été mises en place pour tenir compte de la structure imbriquée des élèves dans les six classes intactes. Des coefficients de corrélation intraclasse (ICC) inconditionnels ont été estimés, les changements de résultats agrégés et comparés au niveau de la classe, et les calculs primaires d’ANCOVA ont été répétés en utilisant des erreurs standard robustes au cluster comme contrôle exploratoire de sensibilité.

Échantillonnage qualitatif, codage et intégration par méthodes mixtes

Immédiatement après le questionnaire post-intervention, un sous-échantillon intentionnel de 36 étudiants a été sélectionné pour des entretiens semi-structurés. Cette cohorte qualitative comprenait des participants issus des deux conditions pédagogiques qui ont démontré des scores de changement élevés, moyens ou faibles en termes de concept de soi académique ou de compétence en communication. Le guide semi-structuré d’entretien a examiné les expériences d’interaction en classe, la confiance dans l’explication des idées, les comportements d’auto-évaluation, l’engagement dans les tâches et la volonté de communiquer, utilisant des incitations ciblées pour explorer les moments de révision, les réponses aux retours flous et les variations d’engagement. Les entretiens n’étaient enregistrés en audio qu’après avoir obtenu le consentement parental et l’accord des élèves ; sinon, des notes écrites structurées étaient prises. Tous les noms personnels, numéros de classe et informations d’identification ont été supprimés lors de la transcription, et les relevés de notes ont été liés à leurs identifiants quantitatifs correspondants. Le cadre initial de codage qualitatif a été dérivé de manière déductive à partir de la qualité de l’interaction, de l’auto-évaluation et des concepts d’engagement de l’apprenant, avec des codes thématiques inductifs ajoutés uniquement lorsque les données ne correspondaient pas au cadre de référence. Deux codeurs indépendants ont analysé au moins 20 % des transcriptions pour vérifier la fiabilité. Les coefficients kappa de Cohen ont été évalués, avec des valeurs comprises entre 0,61 et 0,80 considérées comme accord substantiel et des valeurs supérieures à 0,80 comme accord fort. Les définitions des codes étaient affinées et le double codage était répété chaque fois que le kappa initial descendait en dessous de 0,61, et les définitions finales ainsi que la matrice qualitative de fréquence du code résultante étaient archivées (Tables supplémentaires 9 et 10).

L’analyse quantitative des données et les cadres de codage qualitatif ont été finalisés indépendamment avant d’initier l’intégration par méthodes mixtes. Un affichage conjoint cohérent a été structuré pour relier les trois variables de processus quantitatives à leurs thèmes qualitatifs correspondants. Les résultats intégrés ont été systématiquement classés comme convergence (lorsque les schémas du questionnaire et les thèmes des entretiens s’alignaient), expansion (où les récits qualitatifs expliquaient les mécanismes sous-jacents aux tendances quantitatives) ou divergence (où les entretiens révélaient des barrières uniques ou une participation inégale qui compliquaient les schémas quantitatifs). Les résultats qualitatifs ont été utilisés pour contextualiser les processus en classe, en liant les scores d’engagement des apprenants aux thèmes du questionnement actif et de la discussion entre pairs, et en liant les scores d’auto-évaluation aux prises en compte de la conscience des écarts et des ajustements stratégiques.

Résultats

Flux des participants et caractéristiques de référence

Une première cohorte de 186 étudiants issus de six classes intactes a été recrutée pour l’étude. Après le contrôle d’éligibilité, la vérification de la présence et les vérifications de la qualité des réponses, 174 étudiants ont été retenus pour l’analyse quantitative finale. Ces participants étaient répartis de manière égale, 87 étant répartis dans le groupe d’enseignement centré sur l’élè...

Discussion

Cette étude a examiné si l’intégration d’outils assistés par IA dans l’enseignement centré sur l’élève était associée à des changements dans la conception académique de soi et la compétence en communication autodéclarée des adolescents. Tout au long de la période d’observation en trois vagues, les élèves de la cohorte assistée par IA ont montré des gains plus importants dans les deux résultats que ceux recevant un enseignement habituellement centré sur l’élève. Cette trajectoire a été co...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
ChatGPT	OpenAI	https://chatgpt.com	Plateforme approuvée institutionnellement utilisée comme composant pédagogique pour les demandes et les invites des étudiants.
Grammarly	Grammarly, Inc.	https://www.grammarly.com	Utilisé lors de la préparation du manuscrit pour le polissage linguistique et le support de formatage
SPSS	IBM Corp.	SCR_002865	Utilisé pour l'analyse de données quantitatives, y compris l'ANCOVA ajustée à la ligne de base, les tests t, les corrélations de Pearson et les ICC.
NVivo	Lumivero	https://lumivero.com/products/nvivo	Utilisé pour coder des transcriptions d'entretiens semi-structurés et calculer le kappa de Cohen pour les codeurs indépendants.
Qualtrics	Qualtrics, LLC	https://www.qualtrics.com	Utilisé pour administrer des questionnaires d'évaluation de base, après intervention et de suivi.