De l’enfer des tutoriels à la vraie compétence : l’échelle d’apprentissage par projet

En bref. L’enfer des tutoriels, c’est ce qui arrive quand une méthode adaptée aux débutants est conservée au-delà du point où elle fonctionne. Les exemples résolus aident les novices (une méta-analyse de 2023 portant sur 55 études en mathématiques a établi l’effet moyen à g = 0.48), mais l’avantage s’estompe puis s’inverse à mesure que les connaissances augmentent. Le sentiment de progresser, lui, ne s’estompe pas. Dans une expérience menée en physique à Harvard, les étudiants des cours actifs ont obtenu des résultats supérieurs de 0,46 écart-type tout en ayant le sentiment d’avoir appris 0,56 écart-type de moins (Deslauriers et ses collègues, 2019). Les étudiants qui ont relu un texte environ 14 fois en ont restitué 40 % une semaine plus tard, contre 61 % pour ceux qui l’ont lu environ 3 fois puis se sont testés (Roediger et Karpicke, 2006). L’erreur inverse, qui consiste à se lancer directement dans un projet sans accompagnement, n’est pas davantage étayée : les programmes d’apprentissage par projet dont les essais ont donné des résultats positifs étaient fortement structurés et conduits par des enseignants. L’IA ajoute une version plus rapide du même piège. Des élèves disposant d’un chatbot de base ont amélioré leurs scores d’entraînement de 48 %, puis ont obtenu des résultats inférieurs de 17 % à un examen sans assistance (Bastani et ses collègues, 2025), et des développeurs qui apprenaient une nouvelle bibliothèque avec l’aide de l’IA ont obtenu en moyenne 50 % à un quiz de compréhension, contre 67 % sans elle (Shen et Tamkin, 2026). L’échelle d’apprentissage par projet, un cadre CEOtudent, traduit ces données en six échelons assortis chacun d’un test de sortie : étudier un exemple, en compléter un, en modifier un, le reconstruire de mémoire, l’étendre à un nouveau cahier des charges, puis livrer votre propre projet et recueillir des retours. Le geste du CEO consiste à limiter à un seul le nombre de tutoriels que vous avez en cours. Le geste de l’étudiant consiste à considérer chaque test de sortie comme la leçon elle-même.

Cet article est le pendant pratique de la pratique délibérée à l’ère de l’IA. Ce premier texte se demande où placer vos répétitions d’entraînement. Celui-ci fournit l’escalier qui vous mène du simple suivi pas à pas à la construction en autonomie.

Qu’est-ce que l’enfer des tutoriels, et pourquoi donne-t-il l’impression de progresser ?

« L’enfer des tutoriels » est un terme issu de la communauté, pas de la recherche. Il désigne un apprenant qui enchaîne les tutoriels, parvient à suivre chacun avec succès, et reste pourtant incapable de construire quoi que ce soit sans en avoir un sous les yeux. Le terme vient de la programmation, mais le schéma est le même en design, en analyse de données, en langues ou en musique : à l’aise tant qu’il est guidé, bloqué dès que le guide disparaît.

S’il persiste, c’est parce que l’expérience donne l’impression d’apprendre. Trois expériences montrent à quel point cette impression est peu fiable.

Une présentation fluide augmente la confiance, pas la mémorisation. Carpenter, Wilford, Kornell et Mullaney (2013, Psychonomic Bulletin and Review) ont montré à des étudiants le même cours magistral bref, présenté de manière fluide ou hésitante par le même intervenant. Dans la première expérience (42 étudiants), ceux qui avaient vu la version fluide prévoyaient de retenir bien davantage (d = 1.03), mais le rappel réel ne différait pas, de sorte que l’excès de confiance était de .22 après la vidéo fluide contre .03 après la vidéo hésitante. Une seconde expérience menée auprès de 70 étudiants n’a de nouveau révélé aucune différence significative dans les scores au test (.44 contre .40).

L’effort est pris à tort pour un échec. Deslauriers et ses collègues (2019, PNAS) ont enseigné la même matière à 149 étudiants en physique de Harvard de deux manières, chaque étudiant faisant l’expérience des deux. Après les séances actives, les étudiants ont obtenu 0,46 écart-type de plus à un test d’apprentissage, mais ont évalué leur sentiment d’apprendre 0,56 écart-type plus bas qu’après des cours magistraux passifs et soignés. Selon les auteurs, la confusion et l’effort propres au travail actif sont interprétés comme le signe d’un mauvais apprentissage, alors qu’ils signalent le contraire.

La relecture gagne aujourd’hui et perd la semaine suivante. Roediger et Karpicke (2006, Psychological Science) ont demandé à des étudiants soit d’étudier un passage à plusieurs reprises, soit de l’étudier une fois puis de le restituer de mémoire. Cinq minutes plus tard, l’étude répétée était en tête (83 % contre 71 %). Une semaine plus tard, l’ordre s’était inversé : 40 % pour l’étude répétée contre 61 % pour l’étude suivie de trois tests de rappel. Le groupe d’étude répétée avait lu le passage 14,2 fois en moyenne, le groupe testé 3,4 fois, et c’était le groupe d’étude répétée qui se montrait le plus confiant des deux.

Un tutoriel est un exemple résolu bien produit, porté par un présentateur fluide. Sur ces trois points, il est conçu pour donner une impression d’efficacité.

Regarder des tutoriels est-il une erreur ?

Non. Pour un débutant, c’est la bonne première étape, et la sauter constitue une erreur à part entière.

Kirschner, Sweller et Clark (2006, Educational Psychologist) ont passé en revue les données sur l’enseignement à guidage minimal et conclu que les novices en apprennent moins, et moins efficacement, qu’avec un enseignement fortement guidé. Les débutants ne disposent pas encore, en mémoire à long terme, des connaissances qui rendent productive la résolution de problèmes ouverts. La forme de guidage la mieux étudiée est l’exemple résolu. Une méta-analyse de 2023 portant sur 55 études et 181 tailles d’effet en mathématiques (Barbieri et ses collègues, Educational Psychology Review) a mis en évidence un effet moyen modéré de g = 0.48 pour l’apprentissage à partir d’exemples résolus. La même analyse a montré que les exemples de solutions correctes fonctionnaient mieux que les exemples incorrects ou mixtes, et que l’ajout de consignes d’auto-explication réduisait l’effet en moyenne. Seul son résumé nous était accessible.

Le revers se trouve dans la seconde moitié du même programme de recherche. Kirschner et ses collègues notent que l’avantage du guidage recule dès que les apprenants disposent d’assez de connaissances préalables pour se guider eux-mêmes, et que l’effet de l’exemple résolu disparaît d’abord, puis s’inverse à mesure que l’expertise augmente. Kalyuga, Ayres, Chandler et Sweller (2003) ont nommé ce phénomène l’effet de renversement de l’expertise : des méthodes qui fonctionnent bien pour des apprenants inexpérimentés peuvent cesser de fonctionner, voire se retourner contre eux, une fois qu’ils en savent davantage. Renkl et Atkinson (2003) en ont tiré la conclusion pratique : des exemples au début, de la résolution de problèmes ensuite, avec entre les deux une procédure d’estompage dans laquelle l’apprenant prend en charge, étape par étape, une part croissante de chaque solution.

Lu ainsi, l’enfer des tutoriels n’est pas un défaut de caractère. C’est un problème de renversement de l’expertise (notre lecture de la recherche, pas un terme employé par les auteurs) : l’apprenant a dépassé le format et a continué de l’utiliser.

Ce format est aussi le choix par défaut. Dans l’enquête Stack Overflow Developer Survey 2025 (49 009 réponses ; 33 454 personnes ont répondu à cette question), les répondants qui ont appris à coder au cours de l’année écoulée citaient le plus souvent la documentation technique (67,8 %), les autres ressources en ligne (58,7 %), Stack Overflow lui-même (51,4 %), les vidéos (50 %) et les outils d’IA (44 %). Chez les 18-24 ans, les vidéos atteignaient 55,2 %. L’échantillon est auto-sélectionné et composé surtout de développeurs en activité (76,2 % sont des professionnels ; 5,2 % déclarent apprendre à coder) : il décrit donc la manière dont les développeurs continuent d’apprendre plutôt que celle dont les débutants commencent.

Que disent les données sur le fait de faire plutôt que de regarder ?

Deux grands ensembles de données vont dans le même sens, avec des niveaux de preuve différents.

Dans un cours de psychologie de Coursera doté d’exercices interactifs intégrés, Koedinger et ses collègues (2015) ont modélisé ce qui prédisait les scores aux quiz chez les 939 étudiants qui ont passé l’examen final. Une hausse d’un écart-type du nombre d’exercices réalisés était associée à un gain de 0,44 écart-type ; la même hausse du nombre de vidéos regardées ou de pages lues était associée à environ .065 chacune, ce que les auteurs résument comme un bénéfice plus de six fois supérieur pour la pratique. Les données sont corrélationnelles et proviennent d’étudiants qui ont choisi leur façon d’étudier, et seuls 4 % des 27 720 inscrits ont passé l’examen final.

Les preuves expérimentales viennent des salles de cours. Freeman et ses collègues (2014, PNAS) ont regroupé 225 études portant sur des cours universitaires de premier cycle en sciences, en ingénierie et en mathématiques. L’apprentissage actif a amélioré les résultats aux examens de 0,47 écart-type, et les taux d’échec moyens étaient de 21,8 % en apprentissage actif contre 33,8 % en cours magistral traditionnel, soit un écart de 12 points de pourcentage.

Et la récupération l’emporte sur la réexposition, même face à une technique d’étude respectable. Karpicke et Blunt (2011, Science) ont comparé le fait de restituer de mémoire un texte scientifique avec celui d’en dessiner des cartes conceptuelles. Une semaine plus tard, le groupe de récupération obtenait 0,67 contre 0,45. Dans la seconde expérience, 101 des 120 étudiants (84 %) ont mieux réussi après la pratique de récupération, alors que 90 des 120 (75 %) avaient prédit que les cartes conceptuelles seraient au moins aussi efficaces.

Le piège de la fluidité : ce qui semblait meilleur et ce qui l’a été au test

Le tableau est une synthèse CEOtudent. Il aligne six expériences, quatre antérieures à l’IA générative et deux qui l’intègrent, selon les deux mêmes questions : quelle condition paraissait ou semblait meilleure sur le moment, et laquelle a donné de meilleurs résultats à un test ultérieur sans assistance.

Expérience	Paraissait ou semblait meilleur sur le moment	A mieux réussi au test ultérieur
Carpenter et ses collègues, 2013 (42 étudiants)	Cours fluide : rappel prédit bien plus élevé (d = 1.03)	Aucun des deux ; le rappel réel ne différait pas
Deslauriers et ses collègues, 2019 (149 étudiants)	Cours magistral passif : sentiment d’apprendre supérieur de 0,56 écart-type	Cours actif : 0,46 écart-type de plus
Roediger et Karpicke, 2006 (180 étudiants)	Étude répétée : 83 % contre 71 % après 5 minutes, et confiance plus élevée	Tests répétés : 61 % contre 40 % après 1 semaine
Karpicke et Blunt, 2011 (120 étudiants)	Cartes conceptuelles : 75 % s’attendaient à ce qu’elles soient aussi efficaces ou meilleures	Pratique de récupération : 84 % des étudiants ont mieux réussi avec elle
Bastani et ses collègues, 2025 (près de 1 000 élèves)	Chatbot de base : scores d’entraînement en hausse de 48 %	Groupe témoin : les élèves avec chatbot ont obtenu 17 % de moins
Shen et Tamkin, 2026 (52 développeurs)	Assistance de l’IA : travail terminé environ deux minutes plus tôt (non significatif)	Code écrit à la main : 67 % contre 50 % au quiz

Dans chaque ligne, la condition qui semblait ou paraissait meilleure sur le moment n’était pas celle qui produisait le plus d’apprentissage. Le groupe d’étude répétée de l’expérience de 2006 en est l’illustration la plus nette : environ quatre fois plus d’exposition (14,2 lectures contre 3,4) pour à peu près deux tiers de la rétention (40 % contre 61 %). Voilà l’arithmétique de l’enfer des tutoriels.

Pourquoi le conseil « construisez un projet, tout simplement » échoue-t-il aussi chez les débutants ?

Parce que la recherche favorable aux projets n’a pas testé de projets sans accompagnement.

L’argument le plus solide en faveur de l’effort préalable est la littérature sur la résolution de problèmes avant l’enseignement. Sinha et Kapur (2021, Review of Educational Research) ont regroupé 53 études comprenant 166 comparaisons et constaté un avantage modéré lorsque les apprenants s’attaquent aux problèmes avant de recevoir l’enseignement (g = 0.36, intervalle de confiance à 95 % de 0.20 à 0.51), avantage qui montait entre 0.37 et 0.58 lorsque le dispositif était appliqué fidèlement. Deux conditions comptent. L’effort était toujours suivi d’un enseignement, et la tendance s’inversait pour les apprenants plus jeunes (de la deuxième à la cinquième année de primaire) et pour les compétences générales, non liées à un domaine, où l’enseignement en premier donnait de meilleurs résultats.

Les essais randomisés sur l’apprentissage par projet racontent la même histoire à propos de la structure. Dans 46 écoles du Michigan réunissant 2 371 élèves de troisième année de primaire, un programme de sciences fondé sur des projets a relevé les scores aux tests standardisés de 0,277 écart-type (Krajcik et ses collègues, 2023) ; l’intervention comprenait quatre unités conçues à l’avance, du matériel, une formation professionnelle pour les enseignants et des évaluations après chaque unité. Dans une étude portant sur 3 645 élèves répartis dans 68 écoles randomisées, une version par projet de deux cours Advanced Placement a augmenté la part d’élèves obtenant une note qualifiante à l’examen de 4 points de pourcentage dans l’ensemble, et de 7,6 points parmi les élèves qui ont passé l’examen, de 37,2 à 44,8 % (Saavedra et ses collègues, 2021). Les enseignants de ce programme ont bénéficié d’une université d’été de quatre jours, de quatre journées complètes supplémentaires au cours de l’année et d’un coaching à la demande. Les auteurs préviennent aussi que le retrait d’écoles après la randomisation affaiblit l’affirmation causale.

Les projets fonctionnent lorsqu’ils reposent sur un échafaudage. Le débutant à qui l’on dit « construisez quelque chose, tout simplement » s’est vu remettre le dernier échelon d’une échelle dont on a retiré les échelons inférieurs.

Qu’est-ce qui change quand l’IA entre dans la boucle ?

L’IA peut être le tutoriel le plus rapide jamais créé, ou un tuteur. Les données séparent nettement les deux.

En machine à réponses, elle aggrave le piège. Bastani et ses collègues (2025, PNAS) ont mené une expérience de terrain auprès de près de 1 000 élèves des niveaux 9 à 11 d’un lycée en Turquie, sur quatre séances de mathématiques de 90 minutes. Un chatbot GPT-4 de base a augmenté les scores aux exercices d’entraînement de 48 % ; une version à qui l’on avait demandé de donner des indices plutôt que des réponses les a augmentés de 127 %. À l’examen ultérieur sans IA, le groupe au chatbot de base a obtenu des résultats inférieurs de 17 % à ceux des élèves qui s’étaient entraînés uniquement avec des manuels, tandis que le tuteur à indices a supprimé le préjudice sans produire de gain. Les élèves du groupe au chatbot de base n’ont pas perçu qu’ils avaient moins bien réussi. Le chatbot lui-même ne donnait une réponse correcte que 51 % du temps.

Il en va de même pour les développeurs en activité. Shen et Tamkin (2026, une prépublication d’Anthropic) ont demandé à 52 ingénieurs logiciels, pour la plupart juniors, d’apprendre une bibliothèque Python qu’ils ne connaissaient pas, répartis au hasard pour travailler avec ou sans assistant IA. Le groupe avec IA a obtenu en moyenne 50 % à un quiz de compréhension, contre 67 % pour le groupe qui codait à la main (d = 0.738, p = 0.010), soit un écart de 17 points, les différences les plus marquées portant sur les questions de débogage. Le groupe avec IA a terminé environ deux minutes plus tôt, ce qui n’était pas statistiquement significatif. La façon d’utiliser l’assistant comptait : les participants qui déléguaient le code, s’appuyaient de plus en plus sur l’assistant au fil de l’exercice ou s’en servaient pour déboguer par itérations ont obtenu en moyenne moins de 40 %, tandis que ceux qui posaient des questions conceptuelles, demandaient des explications avec le code, ou généraient du code puis travaillaient à le comprendre ont obtenu en moyenne 65 % ou plus. Ces groupes comptent de 2 à 7 personnes chacun, la tendance est donc descriptive.

En tuteur structuré, elle peut aider. Dans un essai randomisé mené auprès de 194 étudiants en physique de Harvard (Kestin et ses collègues, 2025, Scientific Reports), un tuteur IA soigneusement conçu a produit un score médian au post-test de 4,5 contre 3,5 pour un cours en apprentissage actif, en un temps médian de 49 minutes. Les mêmes auteurs mettent en garde contre l’usage de l’IA là où les étudiants risquent de s’en servir comme d’une béquille.

La règle qui en découle : sur l’échelle, l’IA peut expliquer, donner des indices, interroger et relire. Elle ne peut pas produire ce que l’échelon a justement pour but de vous faire produire. Pour un panorama plus large des données, voir l’IA vous rend-elle moins bon en réflexion.

L’échelle d’apprentissage par projet

L’échelle est un cadre éditorial CEOtudent. Elle organise les résultats ci-dessus en six échelons, par ordre de guidage décroissant. Elle n’a pas été testée comme un tout ; chaque échelon indique la recherche à laquelle il emprunte, et chacun comporte un test de sortie que vous devez réussir sans aide avant de monter.

Échelon	Ce que vous faites	Données auxquelles il emprunte	Test de sortie	Usage autorisé de l’IA
1. Étudier	Parcourez un exemple complet et notez à quoi sert chaque étape	Exemples résolus (g = 0.48 en mathématiques) ; guidage pour les novices	Vous pouvez dire en termes simples ce que fait chaque étape et pourquoi	Explication des étapes
2. Compléter	Terminez une version partiellement construite : comblez les trous ou remettez dans l’ordre des étapes mélangées	Les problèmes à compléter ont pris un tiers de temps en moins que l’écriture à partir de zéro, pour un apprentissage similaire ; estompage	Vous la complétez avec l’exemple fermé	Des indices, pas des solutions
3. Modifier	Modifiez une version qui fonctionne et prédisez le résultat avant de l’exécuter	Enseignement prédire-exécuter-modifier dans 13 écoles	Vos prédictions sont généralement justes	Vérification d’une prédiction après l’avoir formulée
4. Reconstruire	Recréez l’exemple entier de mémoire, quelques jours plus tard	Pratique de récupération : 61 % contre 40 % après une semaine	Cela fonctionne avec toutes les références fermées	Aucun avant d’avoir terminé, puis relecture
5. Étendre	Ajoutez une fonctionnalité que l’exemple n’abordait pas, en essayant avant de chercher quoi que ce soit	Résolution de problèmes avant l’enseignement (g = 0.36), suivie d’un enseignement	L’extension fonctionne et vous pouvez expliquer la partie que vous avez dû chercher	Explication après votre propre tentative
6. Livrer	Construisez quelque chose à vous pour un utilisateur réel et recueillez des retours précis	Projets structurés (0,277 écart-type ; 4 points) ; feedback riche en information (d = 0.99)	Un utilisateur ou un relecteur a répondu et vous avez livré une révision	Relecture et critique de votre travail

Échelon 1, étudier. Un bon exemple vaut mieux que cinq exemples survolés. Margulieux, Morrison et Decker (2020) ont donné à la moitié des 265 étudiants d’un cours d’introduction à Java des exemples résolus dont les étapes étaient étiquetées selon leur objectif. Au premier quiz, 68 % de ce groupe ont atteint les deux niveaux les plus élevés pour l’explication du code en langage courant, contre 37 % du groupe témoin. Le groupe aux exemples étiquetés a mieux réussi aux quiz mais pas aux examens, et ses membres ont été moins nombreux à abandonner le cours ou à y échouer. Étiquetez les étapes vous-même si le tutoriel ne le fait pas.

Échelon 2, compléter. Ericson, Margulieux et Rick (2017) ont fait s’exercer 135 étudiants d’un premier cours de Python soit en remettant dans l’ordre des lignes de code mélangées pour obtenir un programme correct, soit en corrigeant du code défectueux, soit en écrivant le code à partir de zéro. Les quatre problèmes d’entraînement ont pris en moyenne 473 secondes sous forme de problèmes d’ordonnancement, 679 secondes en correction et 714 secondes en écriture, et aucune différence significative d’apprentissage n’est apparue, ni immédiatement ni une semaine plus tard, parmi les 82 étudiants revenus. Les données de temps proviennent du chapitre de la thèse de doctorat d’Ericson consacré à la même étude, et les auteurs notent que cette équivalence demande à être répliquée.

Échelon 3, modifier. L’approche PRIMM (predict, run, investigate, modify, make : prédire, exécuter, examiner, modifier, créer) a été évaluée dans 13 écoles auprès de 493 élèves de 11 à 14 ans, sur 8 à 12 semaines, avec un groupe témoin (Sentance, Waite et Kallia, 2019). Le résumé fait état de meilleurs résultats au post-test pour le groupe PRIMM sans donner de taille d’effet, et les apprenants étaient des élèves en milieu scolaire, donc considérez cet échelon comme le moins solidement étayé.

Échelon 4, reconstruire. C’est l’échelon que l’enfer des tutoriels saute, et celui qui bénéficie du soutien expérimental le plus solide. Fermez tout et recréez le projet. La sensation sera moins agréable que de revoir la vidéo. Les données de rétention présentées plus haut indiquent que cela vaut davantage.

Échelon 5, étendre. Essayez d’abord, puis cherchez précisément ce qui vous a bloqué. L’ordre compte : dans la recherche, le bénéfice revient aux tentatives suivies d’un enseignement, pas à une difficulté laissée sans résolution.

Échelon 6, livrer. Le feedback est la raison d’être de la livraison. Wisniewski, Zierer et Hattie (2020) ont regroupé 435 études et constaté un effet moyen de d = 0.48 du feedback sur l’apprentissage, mais le type comptait plus que la moyenne : le feedback riche en information atteignait 0.99, le simple renforcement ou la punition 0.24, et 17 % de l’ensemble des effets étaient négatifs. Ericsson, Krampe et Tesch-Romer (1993) ont fait d’un feedback immédiat et informatif une condition constitutive de la pratique délibérée. Demandez aux relecteurs ce qui ne va pas et comment le corriger, pas si cela leur plaît. Pour en savoir plus sur ce que la pratique permet et ne permet pas d’obtenir, voir le mythe des 10 000 heures.

Comment trouver votre échelon et parcourir l’échelle chaque semaine ?

Trouvez votre échelon avec un seul test. Prenez le dernier tutoriel que vous avez terminé et essayez l’échelon 4 : reconstruisez-le en ayant tout fermé. Si vous y parvenez, commencez à l’échelon 5. Sinon, redescendez à l’échelon 2 ou 3 avec le même contenu au lieu de commencer un nouveau tutoriel.

Le geste du CEO : piloter les travaux en cours.

1. Un seul tutoriel en cours. N’en commencez pas un autre tant que le tutoriel actuel n’a pas franchi l’échelon 4. Cette seule contrainte transforme la consommation en un stock que vous pouvez réellement utiliser.
2. Choisissez le projet avant le tutoriel. Décidez de ce que sera l’échelon 6, puis choisissez un guidage qui le sert. Pour choisir la compétence elle-même, utilisez la matrice de décision à 4 facteurs.
3. Comptez les sorties, pas les heures. Suivez le nombre d’échelons franchis cette semaine, pas le temps passé à regarder. Des délais réalistes pour des compétences précises figurent dans le temps nécessaire pour acquérir 20 compétences.
4. Assurez-vous des retours dès le départ. Prévoyez dès le début l’utilisateur, le relecteur ou la communauté pour l’échelon 6, afin que la livraison ait une destination.

Le geste de l’étudiant : faire du test la leçon.

• Prédisez avant d’exécuter. Notez ce que vous attendez avant d’exécuter, de compiler, de générer un rendu ou de soumettre quoi que ce soit.
• Tenez un journal d’erreurs. Une ligne par erreur : ce que vous attendiez, ce qui s’est passé, ce que vous savez désormais. C’est votre propre feedback riche en information.
• Reconstruisez en différé. Répétez l’échelon 4 une semaine plus tard pour tout ce que vous voulez conserver. Le calendrier qui empêche l’érosion se trouve dans la perte de compétences et son entretien, et le classement des techniques sur lequel il repose dans 12 techniques d’étude classées.
• Utilisez l’IA comme tuteur, pas comme auteur. Demandez-lui d’expliquer, de vous interroger et de critiquer ce que vous avez construit. Un protocole pour cela figure dans le protocole du tuteur IA en 20 heures.

Quand l’échelle est-elle le mauvais outil ?

• Quand vous en êtes au tout début. Sans aucun vocabulaire, restez plus longtemps sur les échelons 1 et 2. Avoir besoin de guidage à ce stade est ce que prédit la recherche, pas une faiblesse.
• Quand les erreurs sont coûteuses ou irréversibles. Dans les métiers cliniques, financiers ou critiques pour la sécurité, les échelons supérieurs relèvent d’une supervision, pas d’un projet en solo.
• Quand la compétence est générale ou que l’apprenant est jeune. Les données favorables à l’effort préalable se sont inversées pour les premières années de scolarité et pour les compétences générales.
• Quand vous avez besoin du résultat, pas de la compétence. Si un travail est ponctuel, suivre un tutoriel ou le déléguer est une décision raisonnable. Prenez-la délibérément, et ne la comptez pas comme de la pratique.

Que disent les données vérifiées ? Les études clés en un coup d’œil

Étude	Méthode et échantillon	Résultat rapporté
Barbieri et ses collègues, 2023	Méta-analyse, 55 études, 181 tailles d’effet, mathématiques	Exemples résolus g = 0.48 ; les consignes d’auto-explication ont réduit l’effet
Deslauriers et ses collègues, 2019	Essai croisé randomisé, 149 étudiants en physique	Cours actifs : 0,46 écart-type de plus au test, 0,56 écart-type de moins pour le sentiment d’apprendre
Roediger et Karpicke, 2006	Deux expériences, 120 et 180 étudiants	Après 1 semaine, 56 contre 42 % (un test contre une nouvelle étude) et 61 contre 40 % (trois tests contre l’étude répétée)
Karpicke et Blunt, 2011	Deux expériences, 80 et 120 étudiants	Récupération 0,67 contre cartes conceptuelles 0,45 ; 84 % ont mieux réussi avec la récupération
Freeman et ses collègues, 2014	Méta-analyse, 225 études	Résultats aux examens en hausse de 0,47 écart-type ; échec 21,8 contre 33,8 %
Ericson, Margulieux et Rick, 2017	Expérience, 135 étudiants	Temps d’entraînement 473 secondes (ordonnancement) contre 714 (écriture) ; pas de différence d’apprentissage significative
Sinha et Kapur, 2021	Méta-analyse, 53 études, 166 comparaisons	g = 0.36 pour la résolution de problèmes avant l’enseignement ; inversé pour les années 2 à 5
Krajcik et ses collègues, 2023	Essai randomisé par grappes, 46 écoles, 2 371 élèves	0,277 écart-type à un test de sciences standardisé
Saavedra et ses collègues, 2021	Écoles randomisées, 3 645 élèves	4 points de plus obtenant une note qualifiante ; 7,6 points parmi ceux qui ont passé l’examen
Wisniewski, Zierer et Hattie, 2020	Méta-analyse, 435 études	Feedback d = 0.48 ; riche en information 0.99 ; renforcement ou punition 0.24
Bastani et ses collègues, 2025	Expérience de terrain, près de 1 000 élèves	Entraînement en hausse de 48 et 127 % ; examen sans assistance inférieur de 17 % avec le chatbot de base
Shen et Tamkin, 2026	Expérience randomisée, 52 développeurs	Quiz 50 contre 67 % (d = 0.738) ; pas de gain de temps significatif

FAQ

Qu’est-ce que l’enfer des tutoriels ?
C’est le fait de terminer des tutoriels avec succès tout en étant incapable de construire sans en avoir un. Il s’agit d’un terme issu de la communauté. La recherche qui le sous-tend porte sur les illusions de fluidité et sur l’effet de renversement de l’expertise.

Les tutoriels sont-ils mauvais pour l’apprentissage ?
Non. Les exemples guidés constituent le départ le plus efficace pour un novice, avec un effet moyen de g = 0.48 en mathématiques. Ils cessent d’être rentables dès que vous pouvez les suivre facilement, et c’est le moment de passer à la complétion, à la modification et à la reconstruction.

Combien de tutoriels faut-il terminer avant de commencer un projet ?
La recherche ne donne aucun chiffre. Utilisez plutôt un test : si vous pouvez reconstruire de mémoire le projet du dernier tutoriel, vous êtes prêt à l’étendre, puis à lancer le vôtre.

L’apprentissage par projet fonctionne-t-il vraiment ?
Les versions structurées, oui. Des essais randomisés ont mis en évidence des gains de 0,277 écart-type en sciences à l’école primaire et de 4 points de pourcentage pour les notes qualifiantes à l’examen dans deux cours de lycée. Les deux programmes s’accompagnaient de matériel conçu à l’avance et d’un soutien important aux enseignants.

Peut-on utiliser l’IA pendant qu’on apprend à coder ?
Cela dépend de l’usage. Des élèves disposant d’un chatbot de base ont obtenu des résultats inférieurs de 17 % à un examen ultérieur passé sans lui, et des développeurs qui déléguaient le code à un assistant ont obtenu en moyenne moins de 40 % à un quiz de compréhension. Demander des explications et des indices était associé à des scores de 65 % ou plus.

Pourquoi reconstruire de mémoire est-il tellement plus désagréable que revoir la vidéo ?
Parce qu’il est facile de confondre l’effort avec l’échec. Dans les expériences sur la rétention, la méthode qui semblait la moins efficace a produit plus d’apprentissage une semaine plus tard.

Sources

1. Carpenter SK, Wilford MM, Kornell N, Mullaney KM. Appearances can be deceiving: instructor fluency increases perceptions of learning without increasing actual learning. Psychonomic Bulletin and Review. 2013;20:1350-1356.
2. Deslauriers L, McCarty LS, Miller K, Callaghan K, Kestin G. Measuring actual learning versus feeling of learning in response to being actively engaged in the classroom. PNAS. 2019;116(39):19251-19257.
3. Roediger HL, Karpicke JD. Test-enhanced learning: taking memory tests improves long-term retention. Psychological Science. 2006;17(3):249-255.
4. Karpicke JD, Blunt JR. Retrieval practice produces more learning than elaborative studying with concept mapping. Science. 2011;331(6018):772-775.
5. Kirschner PA, Sweller J, Clark RE. Why minimal guidance during instruction does not work. Educational Psychologist. 2006;41(2):75-86.
6. Barbieri CA, Miller-Cotto D, Clerjuste SN, Chawla K. A meta-analysis of the worked examples effect on mathematics performance. Educational Psychology Review. 2023;35:11. Résumé.
7. Kalyuga S, Ayres P, Chandler P, Sweller J. The expertise reversal effect. Educational Psychologist. 2003;38(1):23-31. Résumé.
8. Renkl A, Atkinson RK. Structuring the transition from example study to problem solving in cognitive skill acquisition. Educational Psychologist. 2003;38(1):15-22. Résumé.
9. Stack Overflow. 2025 Developer Survey, résultats officiels (pages Developers et Methodology).
10. Koedinger KR, Kim J, Jia JZ, McLaughlin EA, Bier NL. Learning is not a spectator sport: doing is better than watching for learning from a MOOC. Proceedings of the Second ACM Conference on Learning at Scale. 2015:111-120.
11. Freeman S, Eddy SL, McDonough M, Smith MK, Okoroafor N, Jordt H, Wenderoth MP. Active learning increases student performance in science, engineering, and mathematics. PNAS. 2014;111(23):8410-8415.
12. Sinha T, Kapur M. When problem solving followed by instruction works: evidence for productive failure. Review of Educational Research. 2021;91(5):761-798. Résumé.
13. Krajcik J, Schneider B, Miller EA, Chen I-C, Bradford L, Baker Q, Bartz K, Miller C, Li T, Codere S, Peek-Brown D. Assessing the effect of project-based learning on science learning in elementary schools. American Educational Research Journal. 2023;60(1):70-102. Résumé.
14. Saavedra AR, Liu Y, Haderlein SK, Rapaport A, Garland M, Hoepfner D, Morgan KL, Hu A. Knowledge in Action efficacy study over two years. USC Dornsife Center for Economic and Social Research. 2021.
15. Bastani H, Bastani O, Sungu A, Ge H, Kabakci O, Mariman R. Generative AI without guardrails can harm learning: evidence from high school mathematics. PNAS. 2025;122(26):e2422633122.
16. Shen JH, Tamkin A. How AI impacts skill formation. Prépublication, Anthropic, 2026.
17. Kestin G, Miller K, Klales A, Milbourne T, Ponti G. AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports. 2025;15:17458.
18. Margulieux LE, Morrison BB, Decker A. Reducing withdrawal and failure rates in introductory programming with subgoal labeled worked examples. International Journal of STEM Education. 2020;7:19.
19. Ericson BJ, Margulieux LE, Rick J. Solving Parsons problems versus fixing and writing code. Proceedings of the 17th Koli Calling International Conference on Computing Education Research. 2017:20-29. Résumé, avec des données de temps tirées d’Ericson BJ, thèse de doctorat, Georgia Institute of Technology, 2018.
20. Sentance S, Waite J, Kallia M. Teaching computer programming with PRIMM: a sociocultural perspective. Computer Science Education. 2019;29(2-3):136-176. Résumé.
21. Wisniewski B, Zierer K, Hattie J. The power of feedback revisited: a meta-analysis of educational feedback research. Frontiers in Psychology. 2020;10:3087.
22. Ericsson KA, Krampe RT, Tesch-Romer C. The role of deliberate practice in the acquisition of expert performance. Psychological Review. 1993;100(3):363-406.

Le tableau du piège de la fluidité et l’échelle d’apprentissage par projet sont des analyses CEOtudent construites à partir des sources ci-dessus. Tous les autres chiffres sont rapportés tels qu’ils figurent dans ces sources.

---

Ce contenu a été compilé avec le soutien de l’IA à la suite d’une recherche approfondie, puis rédigé et préparé pour publication par l’équipe éditoriale de CEOtudent.

This post is also available in: