En bref : Il existe désormais deux grands essais randomisés qui semblent pointer dans des directions opposées, et l’écart entre eux constitue toute la leçon pratique. Bastani et ses collègues, publiant dans PNAS en 2025, ont donné à près de mille lycéens turcs en mathématiques l’accès à GPT-4 pendant leurs exercices. La performance pendant l’entraînement a augmenté de 48 pour cent avec une interface de type ChatGPT et de 127 pour cent avec une version dotée de garde-fous pédagogiques. Lorsque l’accès a été retiré pour l’examen, le groupe à interface simple a obtenu 17 pour cent de moins que les élèves n’ayant jamais eu accès, tandis que pour le groupe sécurisé les auteurs rapportent que l’effet négatif a été largement atténué, sans avantage à l’examen par rapport au témoin. Kestin et ses collègues, dans Scientific Reports en 2025, ont mené un essai randomisé dans un cours de physique à Harvard (N = 194) et trouvé qu’un tuteur IA produisait des gains médians d’apprentissage plus du double de ceux d’une classe d’apprentissage actif menée par des experts, en 49 minutes médianes contre une séance de 60 minutes. Notre lecture dérivée : le tuteur efficace a livré environ 2,3 fois le gain d’apprentissage en 18,3 pour cent de temps en moins, soit environ 2,9 fois le gain par minute. Ce qui sépare ces deux résultats n’est pas le modèle. C’est le fait que l’interaction force l’apprenant à produire, ou le laisse recevoir. Suivent : la méthode, sept modèles de prompt prêts à coller, un registre de substitution pour vos requêtes habituelles, et un tableau de ce que la preuve soutient ou non.
Vous l’avez presque certainement fait. Vous butez sur quelque chose que vous ne comprenez pas, vous le collez dans un assistant, vous recevez une explication claire, et vous ressentez le déclic de la compréhension.
Cette sensation n’est pas une preuve d’apprentissage. C’est l’une des illusions les mieux documentées de la science cognitive, et elle porte un nom.
Rozenblit et Keil l’ont démontrée dans douze études publiées dans Cognitive Science en 2002. Les gens “ont le sentiment de comprendre des phénomènes complexes avec bien plus de précision, de cohérence et de profondeur qu’ils ne le font réellement”, et l’illusion est spécifiquement la plus forte pour la connaissance explicative, c’est-à-dire exactement le type de connaissance que délivre une explication d’IA. Elle est la plus robuste, ont-ils trouvé, là où l’environnement soutient des explications en temps réel avec des mécanismes visibles. Une fenêtre de conversation qui produit une réponse instantanée, fluide et bien structurée s’approche d’une machine conçue exprès pour produire cette illusion.
La question n’est donc pas de savoir si l’IA peut vous enseigner. Elle le peut manifestement. La question est de savoir à quoi doit ressembler l’interaction pour que l’enseignement passe vraiment.
Les deux essais, et ce qui les sépare vraiment
Commencez par le cas du préjudice, car c’est le plus utile.
Bastani, Bastani, Sungu, Ge, Kabakcı et Mariman ont publié “L’IA générative sans garde-fous peut nuire à l’apprentissage : preuves issues des mathématiques au lycée” dans les Proceedings of the National Academy of Sciences en juillet 2025. Ils ont mené une expérience de terrain avec près de mille lycéens dans trois conditions : GPT Base, une interface standard de type ChatGPT ; GPT Tutor, le même modèle avec des prompts conçus pour protéger l’apprentissage ; et un groupe témoin avec manuel et notes uniquement.
Pendant les séances d’entraînement assistées, les élèves GPT Base ont obtenu 48 pour cent de plus que le témoin et les élèves GPT Tutor 127 pour cent de plus. Puis l’assistance a été retirée et tous ont passé l’examen. Les élèves GPT Base ont obtenu 17 pour cent de moins que le groupe témoin. Selon les auteurs, “un accès sans entrave à GPT-4 peut nuire aux résultats éducatifs”, parce que “les élèves tentent d’utiliser GPT-4 comme une béquille pendant les séances de problèmes et obtiennent ensuite de moins bons résultats par eux-mêmes”. Les garde-fous de GPT Tutor ont largement éliminé cet effet négatif.
Faites maintenant le calcul que la plupart des reprises omettent.
| Condition | Gain pendant l’entraînement | Effet à l’examen sans assistance | Part du gain d’entraînement qui a survécu |
|---|---|---|---|
| GPT Base | +48 % | -17 % vs témoin | -0,35 |
| GPT Tutor | +127 % | Aucun avantage mesurable vs témoin ; effet négatif largement atténué | ~0 |
| Témoin | référence | référence | sans objet |
La colonne de ratio est une dérivation CEOtudent : effet à l’examen divisé par gain d’entraînement. Elle exprime la part du gain de performance visible qui a persisté une fois l’outil retiré.
Aucune des conditions IA n’a produit d’avantage mesurable à l’examen. Les garde-fous au niveau du prompt ont fait quelque chose de précieux mais modeste : ils ont converti une perte de 17 pour cent en résultat neutre. Si votre modèle mental était “un bon prompt tuteur transforme l’IA en accélérateur d’apprentissage”, cet essai ne le soutient pas. Il soutient : “un bon prompt tuteur empêche l’IA d’être un décélérateur d’apprentissage.”
Passons au cas du gain.
Kestin, Miller, Klales, Milbourne et Ponti ont publié “Le tutorat par IA surpasse l’apprentissage actif en classe” dans Scientific Reports en juin 2025. Dans un cours de physique de premier cycle à Harvard (N = 194), les étudiants alternaient entre une classe d’apprentissage actif menée par des experts et un tuteur IA conçu sur mesure. Le score médian au post-test était de 4,5 en condition IA (N = 142) contre 3,5 en condition classe (N = 174), à partir d’un prétest médian combiné de 2,75 (N = 316). Un test des rangs de Mann-Whitney sur les distributions de post-scores a donné z = -5,6, p < 10 puissance moins 8. Le temps médian passé sur la tâche en condition IA était de 49 minutes, contre une séance en classe de 60 minutes.
En travaillant ces médianes, ce qui relève de notre propre calcul et non de ce que rapporte l’article :
| Mesure | Tuteur IA | Classe d’apprentissage actif | Ratio |
|---|---|---|---|
| Post-test médian | 4,5 | 3,5 | – |
| Gain médian sur la base de prétest de 2,75 | 1,75 | 0,75 | 2,33x |
| Temps médian sur la tâche | 49 min | 60 min | 18,3 % de moins |
| Gain par minute | 0,0357 | 0,0125 | 2,86x |
Dérivation CEOtudent à partir des médianes publiées. Les médianes ne se décomposent pas proprement ; traitez le chiffre par minute comme une comparaison d’ordre de grandeur et non comme une taille d’effet précise. Les auteurs signalent eux-mêmes un effet plafond dans les scores de post-test.
Donc : même famille de modèles, même année, un essai trouve un préjudice et l’autre un gain d’environ 2,3 fois. La différence est dans la conception, et l’article de Kestin la documente explicitement.
Leur tuteur a été construit sur sept pratiques pédagogiques : favoriser l’engagement actif, gérer la charge cognitive, promouvoir un état d’esprit de développement, étayer le contenu, garantir l’exactitude de l’information et des retours, délivrer ces retours de façon ciblée et opportune, et permettre le rythme propre à chacun. Point crucial : ils rapportent qu’un prompt système seul “ne pouvait pas fournir de façon fiable assez de structure pour étayer des problèmes à plusieurs parties”, si bien que la plateforme imposait une progression séquentielle à travers chaque partie de chaque problème. Ils ont également fourni au modèle des solutions détaillées pas à pas plutôt que de le laisser les générer, précisément parce que la prédiction du jeton suivant n’est pas fiable en mathématiques complexes. Quatre-vingt-trois pour cent des étudiants ont jugé les explications du tuteur aussi bonnes ou meilleures que celles des enseignants humains du cours.
Voilà le titre honnête. Les garde-fous au niveau du prompt évitent le préjudice. La conception structurelle produit le gain. Vous n’obtiendrez pas le résultat de Kestin avec un seul prompt astucieux, et quiconque vous en vend un exagère. Ce que vous pouvez faire, c’est vous en approcher nettement plus que par défaut, et c’est à cela que sert la méthode ci-dessous.
Pourquoi produire vaut mieux que recevoir
Le mécanisme n’a rien de mystérieux, et il précède l’IA de plusieurs décennies.
Roediger et Karpicke ont montré dans Psychological Science en 2006 que passer un test de mémoire ne se contente pas d’évaluer les connaissances, il les renforce. Les étudiants qui lisaient des textes puis passaient des tests de rappel sans retour ont surpassé ceux qui relisaient simplement le même matériel le même nombre de fois, lors de tests différés à deux jours et à une semaine. Fait notable : au test immédiat à cinq minutes, le groupe de relecture faisait mieux, et ce groupe était aussi plus confiant dans sa capacité à se souvenir. Fluidité à court terme et rétention à long terme tirent dans des directions opposées.
C’est le même piège que l’illusion explicative, habillé autrement. Lire une bonne explication ressemble au test à cinq minutes. Produire l’explication soi-même est plus désagréable et fonctionne mieux.
La revue de VanLehn de 2011 dans Educational Psychologist a chiffré ce que le tutorat peut apporter. Face à l’absence de tutorat, le tutorat humain se situait à une taille d’effet de d = 0,79 et les systèmes tutoriels intelligents à d = 0,76, assez proches pour que l’avantage humain disparaisse largement quand le système fonctionne au niveau de l’étape plutôt qu’au niveau de la réponse. Cette dernière proposition est celle qui compte pour le prompt. L’interaction au niveau de la réponse sous-performe. C’est au niveau de l’étape que vit l’effet.
Il existe aussi un signal neuronal préliminaire qui mérite d’être mentionné avec la prudence qui convient. Kosmyna et ses collègues du MIT Media Lab ont diffusé en 2025 une prépublication non évaluée par les pairs dans laquelle 54 participants ont rédigé des essais sur trois séances dans l’une de trois conditions : LLM, moteur de recherche ou sans outil. L’EEG a montré la connectivité la plus forte et la plus distribuée dans le groupe sans outil, une connectivité intermédiaire chez les utilisateurs de moteur de recherche et la plus faible chez les utilisateurs de LLM, l’activité cognitive diminuant proportionnellement à l’usage d’outils externes. L’appropriation autodéclarée des essais était la plus faible dans le groupe LLM, et les auteurs rapportent que les utilisateurs de LLM “peinaient à citer correctement leur propre travail”. Traitez cela comme un indice plutôt que comme un acquis : c’est une prépublication à petit échantillon. Mais elle pointe dans la même direction que la preuve comportementale.
La méthode
La méthode du prompt socratique a une règle et cinq mouvements. La règle est :
Ne laissez jamais le modèle achever une étape que vous pourriez tenter.
Tout le reste est la machinerie qui impose cette règle contre votre propre impatience.
Mouvement 1 : Déclarez le contrat avant de demander quoi que ce soit. Le comportement par défaut de tout assistant est d’être aussi utile que possible, ce qui veut dire répondre. Vous devez neutraliser cela une fois, en tête, puis tenir la ligne.
Mouvement 2 : Placez votre propre tentative en premier. Dites d’abord ce que vous pensez, aussi faux soit-il. C’est l’étape de production, et c’est celle que les gens sautent. Une tentative erronée qui est corrigée produit un apprentissage plus durable qu’une bonne réponse que vous lisez.
Mouvement 3 : Travaillez à la granularité de l’étape. Une étape, un échange. C’est le résultat de VanLehn mis en pratique, et c’est ce que l’équipe de Kestin a dû imposer au niveau de la plateforme parce qu’un prompt seul ne tenait pas.
Mouvement 4 : Clôturez chaque concept par un test de rappel que vous n’avez pas écrit. Demandez au modèle de vous interroger plus tard, de mémoire, matériel fermé. C’est Roediger et Karpicke rendus pratiques.
Mouvement 5 : Forcez une explication source fermée. L’illusion explicative s’effondre à l’instant où vous devez produire l’explication sans regarder. Cet effondrement est le diagnostic.
Sept modèles prêts à coller
Ce sont les outils de travail. Chacun met en œuvre une partie de la méthode. Adaptez les parties entre crochets.
1. Le contrat d’ouverture. À coller une fois au début d’une séance d’apprentissage, et à rappeler quand le modèle dérive.
Pour toute cette conversation, tu es mon tuteur, pas mon assistant. Règles : ne me donne jamais une réponse complète ni une solution finie. Travaille une étape à la fois. Avant chaque étape, demande-moi ce que je pense qu’il faut faire ensuite et attends ma réponse. Si je me trompe, ne me corrige pas directement ; pose une question qui me rende l’erreur visible. Si je te demande de me le dire simplement, rappelle-moi cette règle une fois, puis demande si je veux la lever. Garde tes tours sous 120 mots. Commence par me demander ce que je sais déjà sur [SUJET].
2. Le cadre tentative d’abord. Pour tout problème que vous colleriez d’ordinaire tel quel.
Voici un problème : [PROBLÈME]. Voici ma tentative, peut-être erronée : [VOTRE TENTATIVE, MÊME PARTIELLE]. Ne le résous pas. Dis-moi seulement si ma première étape est solide, et sinon, pose-moi une question qui m’aiderait à trouver l’erreur moi-même.
3. Le verrou d’étape. Quand le modèle prend de l’avance.
Stop. Tu viens de me donner [N] étapes. Écarte tout ce qui suit l’étape un. Demande-moi ce que devrait être l’étape deux et attends.
4. Le contrôle Feynman. Le détecteur d’illusion. À utiliser après avoir eu le sentiment de comprendre.
Je vais t’expliquer [CONCEPT] de mémoire, sans rien consulter. Ne m’aide pas pendant ce temps. Quand j’aurai fini, liste uniquement les endroits où mon explication était vague, circulaire ou dépourvue de mécanisme. Ne comble pas les lacunes ; nomme-les seulement.
5. Le test de rappel différé. Le modèle le plus utile de cette liste, et le moins utilisé.
N’explique rien maintenant. Écris-moi cinq questions sur [SUJET] auxquelles je devrais pouvoir répondre de mémoire demain. Inclus-en une qui exige d’appliquer l’idée à une situation dont nous n’avons jamais parlé. Garde les réponses jusqu’à ce que j’aie tenté les cinq.
6. L’inversion par steelman. Pour du matériel de jugement plutôt que procédural.
Je pense [VOTRE POSITION] sur [SUJET]. N’approuve ni ne conteste. Pose-moi, une à une, les trois questions que poserait quelqu’un défendant la position inverse. Attends chaque réponse avant de poser la suivante.
7. La sonde de transfert. Le simulateur de conditions d’examen, précisément ce que les élèves de Bastani n’ont jamais rencontré pendant l’entraînement.
Donne-moi un problème sur [SUJET] structurellement semblable à celui que nous venons de traiter mais superficiellement différent, de sorte que la reconnaissance de motifs de surface ne suffise pas. Ne donne aucun indice. Je vais le tenter et coller tout mon raisonnement ; réponds seulement ensuite.
Le registre de substitution
Ce tableau est un cadre éditorial de CEOtudent. Il met en regard les requêtes que les gens tapent réellement et leur réécriture en mode tuteur, et nomme le mécanisme d’apprentissage que chaque réécriture recrute. Les mécanismes proviennent de la littérature citée ici ; la mise en correspondance est la nôtre.
| Ce que vous tapez d’habitude | Résultat en mode réponse | Réécriture en mode tuteur | Mécanisme recruté |
|---|---|---|---|
| “Explique-moi [concept]” | Explication fluide, confiance élevée, rétention faible | “Demande-moi ce que je crois déjà de [concept], puis corrige seulement ce qui est faux” | Production avant retour |
| “Résous ce problème” | Solution correcte, transfert nul | “Voici ma première étape. Est-elle solide ? Une seule question.” | Tutorat au niveau de l’étape |
| “Résume cet article” | Résumé utilisable, aucun encodage | “Je vais le résumer. Ensuite dis-moi ce que j’ai manqué.” | Pratique de rappel |
| “Écris le code pour X” | Du code qui marche et que vous ne savez pas déboguer | “Donne-moi la signature de la fonction et la première ligne. J’écris le reste, tu relis ensuite.” | Production étayée |
| “Cet argument tient-il ?” | Une évaluation dont vous héritez | “Pose-moi les trois questions qu’un critique poserait.” | Auto-explication |
| “Donne-moi un plan d’étude” | Un plan que vous ne suivrez pas | “Écris-moi cinq questions de rappel pour demain, réponses retenues.” | Rappel espacé |
| “Quels sont les points principaux ?” | Une liste que vous oublierez | “Je vais les lister de mémoire. Nomme seulement les manques.” | Détection d’illusion |
Le motif de la colonne de droite est constant : chaque réécriture déplace le travail cognitif du modèle vers vous, et réserve le modèle à la seule chose où il surpasse réellement un manuel, à savoir un retour ciblé, immédiat et à votre rythme sur votre erreur précise. C’est exactement la capacité que VanLehn identifiait comme source de l’effet tutorat, et les deux capacités que l’équipe de Kestin jugeait impossibles à offrir en classe.
Ce que la preuve soutient, et ce qu’elle ne soutient pas
Ce tableau est un cadre éditorial de CEOtudent. Il évalue les affirmations courantes sur l’IA et l’apprentissage face au test publié le plus solide de chacune, selon une règle constante : Soutenue signifie qu’une étude randomisée ou de terrain de grande taille l’a testée directement ; Partielle signifie que la preuve va dans ce sens mais que le dispositif n’isole pas l’affirmation ; Non soutenue signifie que le test le plus solide la contredit.
| Affirmation | Test le plus solide | Résultat | Verdict |
|---|---|---|---|
| Utiliser l’IA pendant l’entraînement améliore la performance d’entraînement | Bastani et al., PNAS 2025, ~1 000 élèves | +48 % base, +127 % tuteur | Soutenue |
| Une meilleure performance d’entraînement signifie que vous avez plus appris | Même essai, examen sans outil | -17 % en condition base | Non soutenue |
| Un bon prompt tuteur transforme l’IA en accélérateur d’apprentissage | Même essai, condition GPT Tutor | Aucun avantage à l’examen rapporté vs témoin | Non soutenue |
| Un bon prompt tuteur empêche l’IA de nuire à l’apprentissage | Même essai, GPT Tutor vs GPT Base | Effet négatif largement atténué | Soutenue |
| Un tuteur IA bien conçu peut battre un enseignement expert en classe | Kestin et al., Scientific Reports 2025, N = 194 | Gains médians plus du double, en moins de temps | Soutenue |
| Le tutorat IA structuré bat toujours l’enseignement en classe | Même article, réserve des auteurs | Non présumé pour la synthèse complexe et les tâches de haut niveau | Non soutenue |
| L’interaction au niveau de l’étape compte plus qu’au niveau de la réponse | VanLehn, Educational Psychologist 2011 | d = 0,76 pour les systèmes par étape contre d = 0,79 pour le tutorat humain | Soutenue |
| Être testé vaut mieux que relire pour la rétention à long terme | Roediger et Karpicke, Psychological Science 2006 | Le test gagne à deux jours et une semaine ; la relecture gagne à cinq minutes | Soutenue |
| Sentir qu’on comprend indique qu’on comprend | Rozenblit et Keil, Cognitive Science 2002 | Illusion de profondeur explicative sur douze études | Non soutenue |
| Un usage intensif des LLM réduit l’engagement cognitif à l’écriture | Kosmyna et al., prépublication 2025, N = 54 | Connectivité EEG la plus faible, appropriation la plus basse | Partielle |
Lisez ensemble les lignes du milieu. L’erreur la plus coûteuse dans l’apprentissage assisté par IA n’est pas d’utiliser l’outil. C’est de faire confiance au signal de la séance d’entraînement. Votre performance outil ouvert ne dit presque rien de votre performance outil fermé, et dans le seul essai qui a mesuré les deux, la corrélation allait dans le mauvais sens.
L’intégrer à votre façon réelle d’apprendre
La méthode coûte du temps. C’est le principe, et c’est aussi pourquoi les gens l’abandonnent à la troisième séance. Trois façons de la faire tenir.
Séparez explicitement la séance. Mode assistant et mode tuteur ne devraient pas partager la même fenêtre. Utilisez l’assistant pour rassembler du matériel, trouver des sources et évacuer la logistique. Puis ouvrez une conversation distincte, collez le contrat d’ouverture et apprenez là. Les mélanger, c’est laisser le réflexe de réponse s’infiltrer dans la moitié consacrée à l’apprentissage.
Budgétez selon l’intention, pas selon le sujet. Tout ne mérite pas d’être appris. Si vous n’aurez jamais à le produire sans assistance, laissez le modèle le produire. Réservez le mode tuteur au petit ensemble de choses où votre capacité sans assistance est l’actif réel. Le cadre pour trancher se trouve dans la compétence d’évaluation, et la question plus large des frontières dans faut-il laisser l’IA décider.
Testez selon le calendrier, pas selon la sensation. Le modèle de rappel différé, c’est toute la méthode en un prompt. Déclenchez-le à la fin de chaque séance pour le lendemain, et répondez-y avant d’ouvrir la moindre source. Si vous n’y arrivez pas, vous ne l’avez pas appris, quelle qu’ait été la sensation.
Pour l’appareil complet autour de cela : ce que dit la recherche sur l’apprentissage classe les techniques d’étude elles-mêmes, et la pratique délibérée à l’ère de l’IA traite la couche de répétition.
Le PDG et l’étudiant
C’est l’expression la plus nette du double regard qui traverse toute cette publication.
Un PDG délègue agressivement, et il a raison. Un travail qui n’a pas besoin de vos mains ne devrait pas les occuper, et refuser de déléguer n’est pas de la rigueur, c’est un goulot d’étranglement que vous avez construit vous-même. La plupart des usages de l’IA devraient être exactement cela : transmettre, vérifier le résultat, passer à autre chose.
Un étudiant refuse de déléguer la seule chose qui lui appartienne. Non pas le produit, la capacité. Parce que la capacité détermine si vous pouvez seulement vérifier le produit, ce qui est précisément la raison pour laquelle les auteurs de Bastani désignent la productivité à long terme comme ce qui est en jeu : l’IA générative “est faillible et les utilisateurs doivent en vérifier les sorties”, et vous ne pouvez pas vérifier ce que vous n’avez jamais appris.
La méthode socratique est la façon de tenir les deux positions à la fois. Déléguez le travail. Refusez de déléguer l’apprentissage. Les modèles de prompt ci-dessus ne sont que la mécanique permettant de retracer cette ligne chaque jour, dans un outil dont le réglage par défaut consiste à l’effacer.
Questions fréquentes
Utiliser l’IA fait-il vraiment apprendre moins ?
Cela dépend entièrement de la conception de l’interaction. Dans l’essai PNAS, les élèves disposant d’une interface de type ChatGPT sans restriction pendant l’entraînement ont obtenu 17 pour cent de moins à un examen sans assistance que ceux qui n’y avaient jamais eu accès. Pour les élèves utilisant une version dotée de garde-fous, les auteurs rapportent que l’effet négatif a été largement atténué, sans avantage à l’examen par rapport au témoin. L’usage sans restriction a donc produit un préjudice mesurable ; l’usage sécurisé non.
Qu’est-ce que le prompt socratique ?
Une manière d’interagir avec un modèle d’IA où vous ne le laissez jamais achever une étape que vous pourriez tenter vous-même. Vous posez un contrat d’entrée, vous soumettez votre propre tentative avant de demander quoi que ce soit, vous travaillez une étape par échange, et vous terminez chaque séance par un test de rappel différé que vous n’avez pas écrit.
Un prompt peut-il vraiment faire de ChatGPT un bon tuteur ?
En partie. L’essai PNAS a trouvé que des garde-fous au niveau du prompt atténuaient largement une perte d’apprentissage de 17 pour cent, sans qu’un avantage à l’examen soit rapporté face au groupe témoin. L’essai de Harvard qui a produit de grands gains utilisait un séquencement au niveau de la plateforme et des solutions pas à pas fournies à l’avance, pas seulement un prompt système. Attendez d’un prompt qu’il évite le préjudice de façon fiable et qu’il produise des gains de façon inconstante.
Pourquoi l’explication donne-t-elle l’impression de comprendre alors que ce n’est pas le cas ?
À cause de l’illusion de profondeur explicative, documentée par Rozenblit et Keil sur douze études. Les gens surestiment systématiquement la précision et la cohérence avec lesquelles ils comprennent des mécanismes, et l’illusion est la plus forte exactement pour la connaissance explicative et dans les environnements qui fournissent des explications fluides en temps réel. Le test consiste à produire l’explication vous-même, source fermée.
Combien de temps devrait durer une séance socratique ?
Le temps médian sur la tâche dans l’essai de Harvard était de 49 minutes contre une séance en classe de 60 minutes, avec 70 pour cent des étudiants sous l’heure. C’est un plafond raisonnable pour un concept. La contrainte déterminante n’est pas la durée mais le fait d’avoir produit avant de recevoir.
Cela vaut-il la peine pour tout ce que j’apprends ?
Non. Réservez-le au matériel où votre capacité sans assistance est l’actif, c’est-à-dire ce que vous devrez plus tard produire, juger ou défendre sans l’outil ouvert. Pour tout le reste, laissez le modèle faire le travail et vérifiez le résultat.
Sources
- Bastani, Bastani, Sungu, Ge, Kabakcı et Mariman, L’IA générative sans garde-fous peut nuire à l’apprentissage : preuves issues des mathématiques au lycée, Proceedings of the National Academy of Sciences, volume 122, numéro 26, 2025
- Kestin, Miller, Klales, Milbourne et Ponti, Le tutorat par IA surpasse l’apprentissage actif en classe : un essai contrôlé randomisé introduisant une conception novatrice fondée sur la recherche en contexte éducatif authentique, Scientific Reports, volume 15, article 17458, 2025
- VanLehn, L’efficacité relative du tutorat humain, des systèmes tutoriels intelligents et d’autres systèmes de tutorat, Educational Psychologist, volume 46, numéro 4, 2011
- Roediger et Karpicke, Test-enhanced learning : passer des tests de mémoire améliore la rétention à long terme, Psychological Science, volume 17, numéro 3, 2006
- Rozenblit et Keil, Les limites mal comprises de la science ordinaire : une illusion de profondeur explicative, Cognitive Science, volume 26, numéro 5, 2002
- Kosmyna et collègues, Your Brain on ChatGPT : accumulation de dette cognitive lors de l’usage d’un assistant IA pour une tâche de rédaction, prépublication arXiv, 2025, non évaluée par les pairs
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:
