Les défis posés par l’intégration de l’intelligence artificielle générative dans la formation professionnelle

Premièrement, il semble que les élèves recourant à l’IAGen sont généralement plus productifs, mais apprennent ce faisant moins de choses. Deuxièmement, tout dépend si l’IAGen est utilisée à des fins d’activation cognitive ou, au contraire, pour se « décharger » d’avoir à penser et apprendre.

La propagation rapide de l’intelligence artificielle générative (IA générative ou IAGen) dans la population, et des grands modèles de langage (« Large Language Models » en anglais ou LLMs) tels que ChatGPT en particulier, pose de nouveaux défis à la société comme aux établissements scolaires. L’une des inquiétudes majeures porte sur ce que l’on appelle le déchargement cognitif, un phénomène problématique apparaissant lorsque des outils externes ne sont pas utilisés uniquement pour assister la réflexion, mais aussi pour déléguer des processus réflexifs essentiels. Les données dont on dispose sur le sujet sont cependant disparates. Certaines études mettent en évidence une corrélation entre un usage intensif des outils d’IA et une capacité de pensée critique amoindrie, en particulier chez les plus jeunes (Gerlich, 2025). Un constat similaire est dressé avec l’écriture, où l’on observe moins d’activité cognitive quand les apprenantes et apprenants utilisent l’IA (Kosmyna et al., 2025). Dans le même temps, toutefois, les premières méta-analyses rapportent également des effets positifs (Zhu, Liu et Zhao, 2025 ; Chen et Cheung, 2025).

Deux raisons viennent expliquer cette divergence entre les différents résultats. Premièrement, il semble que les élèves recourant à l’IAGen sont généralement plus productifs, mais apprennent ce faisant moins de choses. Deuxièmement, tout dépend si l’IAGen est utilisée à des fins d’activation cognitive ou, au contraire, pour se « décharger » d’avoir à penser et apprendre. Si c’est le deuxième motif qui l’emporte, alors les effets sont problématiques. Et, d’après Zuber et Gogoll (2024), ces répercussions négatives ne concernent pas que l’individu, mais la société tout entière.

Une autre source d’inquiétude concerne l’élargissement de la fracture numérique, un terme désignant un déséquilibre hiérarchique et agissant à plusieurs niveaux dans l’accès aux technologies numériques. La fracture numérique concerne non seulement l’utilisation de ces technologies, mais aussi leurs impacts, qui sont influencés par le capital économique, culturel, social et technologique des individus (Selwyn, 2004). Une étude de Suárez et García-Mariñoso (2025) a démontré que les personnes âgées, les personnes disposant d’un faible niveau d’éducation et les femmes étaient statistiquement moins nombreuses à recourir à l’IAGen, un déséquilibre qui peut venir consolider, voire renforcer les inégalités sociales en place. D’autres défis fréquemment relevés sont le coût écologique de ces nouvelles technologies, la reproduction des biais ainsi que la perte d’empathie et d’authenticité pouvant résulter de leur usage (Bender et al., 2021 ; Kasneci et al., 2023).

La mission incombant aux instituts de formation

D’après Damberger, il faut que l’étude et la critique des médias soient mises au cœur de l’éducation à l’utilisation de l’IA.

Face à tous ces défis rencontrés, les instituts de formation doivent aider les jeunes à utiliser les nouvelles technologies telles que l’IAGen de manière compétente, responsable et éclairée tout en mobilisant leur esprit critique, et favoriser par là même l’égalité des chances. D’après Damberger (2021), il faut que l’étude et la critique des médias soient mises au cœur de l’éducation à l’utilisation de l’IA (sur le sujet de la littératie médiatique, voir ce que notait déjà Baacke, 1997). L’étude des médias porte sur la connaissance des systèmes médiatiques, de leur socle technique et institutionnel ainsi que de leurs conditions de production, tandis que la critique des médias désigne la capacité à analyser et évaluer de façon normative les contenus médiatiques, le cadre économique, politique et social dans lequel ils sont produits ainsi que leurs implications. L’importance donnée à l’étude et à la critique des médias est fondamentale dans la mesure où les systèmes basés sur l’IA sont susceptibles de s’immiscer en profondeur dans les systèmes de connaissances, les processus décisionnels et les structures de pouvoir à l’œuvre dans la société.

L’enquête sur l’IAGen menée dans des écoles professionnelles dans le cadre de l’étude DigiTraS II

À l’heure actuelle, on sait malgré tout peu de choses sur la façon dont l’IAGen est utilisée et abordée dans les établissements scolaires ainsi que sur les différentes approches pédagogiques adoptées pour promouvoir les objectifs éducatifs visés. Pour combler cette lacune, des données portant sur l’utilisation de l’IAGen dans des écoles du degré secondaire II ont été collectées dans le cadre du projet de recherche DigiTraS II, qui étudie la façon dont les technologies sont intégrées dans les établissements scolaires du degré secondaire II (Petko et al., 2025). Ont pour cela été sélectionnés cinq gymnases, cinq écoles de culture générale et cinq écoles professionnelles de Suisse alémanique recourant fréquemment aux technologies numériques durant leurs cours. Nous nous arrêterons ci-après sur le cas des personnes scolarisées dans les cinq écoles professionnelles couvertes par l’étude (N = 1279). Les données ont été collectées entre novembre 2023 et mars 2024 au moyen d’un questionnaire en ligne. Les personnes interrogées se trouvent en avant-dernière année de formation (âge : M = 18) et apprennent différents types de professions. 48,5 % des personnes de l’échantillon ont déclaré être de genre masculin, 41 % de genre féminin, et 2,6 % de genres divers. 6,9 % n’ont fourni aucune indication quant à leur genre.

A notamment été demandé aux personnes apprenantes :

• leur fréquence d’utilisation de l’IAGen sur leur lieu de travail, en cours, à la maison pour faire leurs devoirs et pendant leur temps libre (échelle de réponses : 1 = « jamais ou presque jamais », 5 = « plusieurs fois par jour ») ;
• leur fréquence d’utilisation de l’IAGen pour des activités particulières (échelle de réponses : 1 = « jamais ou presque jamais », 5 = « très souvent ») ;
• le nombre de professeurs qui, selon elles, adoptent une approche conservatrice vis-à-vis de l’IAGen dans la façon dont ils et elles éduquent aux médias (exemple de question posée : « Nos professeurs nous interdisent d’utiliser l’intelligence artificielle générative. » ; échelle de réponses : 1 = « aucun professeur », 5 = « tous mes professeurs ») ;
• le nombre de professeurs qui adoptent une approche critique et raisonnée dans leur façon d’éduquer aux médias (exemple de question posée : « Nos professeurs nous encouragent à faire preuve d’esprit critique vis-à-vis de l’intelligence artificielle générative. » ; échelle de réponses : 1 = « aucun professeur » ; 5 = « tous les professeurs ») ; et
• le nombre de professeurs qui adoptent une approche productive et créative dans leur façon d’éduquer aux médias (exemple de question posée : « Nos professeurs nous encouragent à utiliser l’IA générative pour gagner en productivité. » ; échelle de réponses : 1 = « aucun professeur » ; 5 = « tous les professeurs »).

Il a également été demandé aux personnes apprenantes :

• si elles ont l’impression d’apprendre mieux grâce à l’IA générative (exemple de question : « J’apprends mieux grâce à l’intelligence artificielle générative. » ; échelle de réponse : 1 = « Pas du tout d’accord. » ; 5 = « Tout à fait d’accord »),
• si elles utilisent l’IA générative pour réduire la charge de travail scolaire en trichant (exemple de question : « Je copie quelque chose généré par une IA et je le présente simplement comme mon propre travail. » ; échelle de réponse : 1 = « Pas du tout d’accord » ; 5 = « Tout à fait d’accord »),
• ce qu’il en était de leur efficacité personnelle quand elles recouraient à l’IAGen (exemple de question posée : « Je sais opter parmi différents outils d’IA selon le type d’exercice que je dois réaliser. » ; échelle de réponses : 1 = « Pas du tout d’accord » ; 5 = « Tout à fait d’accord ») ; et
• ce qu’il en était de leur sentiment de responsabilité quand elles recouraient à l’IAGen (exemple de question posée : « Quand j’utilise l’IA, je suis responsable de ce que je fais. » ; échelle de réponses : 1 = « Pas du tout d’accord » ; 5 = « Tout à fait d’accord »).

Des données sociodémographiques telles que le genre, l’âge, la langue parlée à la maison et le plus haut diplôme obtenu par les parents ont également été renseignées.

Grandes disparités observées entre les filles et les garçons

Les garçons présentent par exemple un plus haut degré d’efficacité personnelle que les filles quand ils recourent à l’IAGen.

Si l’on observe les données récoltées sous l’angle de la fracture numérique, l’on voit apparaître plusieurs défis dans l’intégration de l’IAGen au sein de la formation professionnelle. On constate que la langue parlée à la maison et le niveau d’éducation des parents ne jouent généralement aucun rôle, ou alors que ce rôle est très faible. Le genre des personnes apprenantes, en revanche, a une incidence significative sur la quasi-totalité des aspects couverts par l’étude. La figure 1 montre des différences de moyennes statistiquement significatives entre les filles et les garçons sur plusieurs des variables clés de l’étude. Les garçons présentent par exemple un plus haut degré d’efficacité personnelle que les filles quand ils recourent à l’IAGen (M garçons = 3.32, SD = 0.99 ; M filles = 2.93, SD = 0.93 ; t[967] = 6.28, p < .001, d = 0.41). Si des tests de performances ont révélé que les compétences numériques des filles et des garçons ne présentaient généralement aucune différence (Siddiq et Scherer, 2019), les différences en matière d’efficacité personnelle et d’estimation subjective des compétences sont tout à fait susceptibles d’influencer l’avenir des jeunes filles comme des jeunes garçons (ainsi le choix de leur future carrière) et de reproduire par là même la fracture numérique entre les sexes. Il est à noter que les jeunes garçons ont tendance à estimer davantage leurs compétences techniques que les filles, lesquelles sont plus sensibles aux questions éthiques ainsi qu’aux effets de l’IAGen sur la société (voir également à ce sujet Zhong et Liu, 2024). Une éducation au numérique se voulant globale doit donc intégrer ces deux aspects, c’est-à-dire promouvoir aussi bien, et auprès de toutes les personnes apprenantes, les compétences techniques que les réflexions sur les enjeux éthiques et sociétaux de ces technologies (Gesellschaft für Informatik, 2016 ; Unesco, 2024). Une observation intéressante est que les filles indiquent également beaucoup moins utiliser l’IAGen pour faire leurs devoirs que les garçons. Elles sont par ailleurs beaucoup plus souvent confrontées à une approche conservatrice, et beaucoup plus rarement à une approche productive et créative en matière d’éducation aux médias que les garçons. Ces différences peuvent s’expliquer par le fait que les filles sont surreprésentées dans certaines filières de formation davantage imprégnées par les approches conservatrices. Elles montrent également que la question des devoirs scolaires joue un rôle dans la reproduction de la fracture numérique entre les sexes.

Une diffusion et une efficacité contrastées des différentes approches d’éducation aux médias

Des analyses exploratoires portant sur la fréquence d’utilisation, les approches pédagogiques en matière de médias (cf. Botturi, 2019) ainsi que sur les phénomènes souhaitables ou indésirables potentiels mettent en évidence d’autres défis liés à l’intégration de l’IA générique dans la formation professionnelle. Il est important d’insister à ce propos sur le fait que la présence d’une corrélation entre deux variables ne prouve pas encore un éventuel lien de cause à effet entre elles, c’est-à-dire une causalité. En dépit de cela, l’existence de corrélations donne un premier aperçu empirique de l’intégration de l’IAGen à l’enseignement ainsi que des défis qu’elle est susceptible d’entraîner.

Le tableau 1 montre une corrélation significative entre, d’une part, l’efficacité personnelle ressentie en utilisant l’IAGen et, d’autre part, la fréquence d’utilisation de cette dernière ainsi que les formes d’éducation aux médias basées sur une approche critique et raisonnée ou bien productive et créative.

Le tableau 1 montre une corrélation significative entre, d’une part, l’efficacité personnelle ressentie en utilisant l’IAGen et, d’autre part, la fréquence d’utilisation de cette dernière ainsi que les formes d’éducation aux médias basées sur une approche critique et raisonnée ou bien productive et créative. L’usage responsable et éclairé de l’IAGen est surtout corrélé à une approche critique et raisonnée dans l’éducation aux médias (voir également Consoli et Petko, 2025). On n’observe en revanche aucune corrélation entre un accès restreint, basé sur une éducation aux médias conservatrice, et un usage responsable de l’IAGen. Ces résultats montrent que s’il existe des raisons fondées, d’un point de vue éthique, normatif et pédagogique, d’interdire l’IAGen dans certains contextes ou bien pour réaliser certains exercices, une interdiction totale peut se traduire par l’impossibilité d’apprendre à utiliser l’IAGen de manière responsable en usant de son efficacité personnelle. Dans les données collectées, la forme d’éducation à l’IAGen la plus répandue était celle basée sur une approche critique et raisonnée (M = 2.57 ; SD = 1.07). Celle-ci était suivie de l’approche conservatrice (M = 2.35 ; SD = 1.05), puis de l’approche productive et créative (M = 2.18 ; SD = 1.01).

De plus, le tableau 1 montre que la fréquence d’utilisation de l’IA génétique pendant les loisirs, en cours, au travail et à la maison, ainsi qu’une approche créative et productive, vont souvent de pair avec une perception positive de l’apprentissage avec l’IA génétique. Dans le même temps, ces modes d’utilisation sont également liés à une réduction de l’effort d’apprentissage scolaire due à la tricherie. Au moment de la collecte des données, les enseignants et les écoles n’avaient apparemment pas encore développé d’approches appropriées pour empêcher un tel comportement.

Adopter une approche critique et raisonnée vis-à-vis de l’IA générative : un facteur décisif

Dans l’ensemble, ces résultats mettent en lumière le défi consistant, d’une part, à inculquer l’auto-efficacité (en particulier chez les apprenantes) et le sens des responsabilités dans l’utilisation de l’IA générative et, d’autre part, à faire face au risque qu’une utilisation fréquente et irréfléchie de l’IA générative puisse entraîner une diminution accrue de l’effort scolaire par le biais de la tricherie (en particulier chez les apprenants de sexe masculin). La forme d’éducation à l’utilisation de l’IAGen qui semble être la plus appropriée pour promouvoir conjointement l’efficacité personnelle et la responsabilité est celle basée sur une approche critique et raisonnée. Une telle approche encouragerait du reste les apprenants et apprenantes à faire preuve d’esprit critique en observant et interrogeant leurs usages de l’IAGen ainsi que ses effets sur leur apprentissage et leur pensée, non sans oublier de prendre en considération ses éventuelles répercussions à long terme pour la société. Les résultats empiriques obtenus révèlent toutefois la présence d’une légère corrélation entre l’approche critique et raisonnée ainsi que la tricherie (r = 0.07, p < 0.05). Il semble par conséquent indispensable de mettre en place d’autres mesures et stratégies. Il pourrait par exemple s’agir d’établir des règles d’utilisation de l’IAGen (un processus que l’on pourrait rendre participatif en y intégrant les personnes apprenantes) ou encore d’élaborer et de déployer des stratégies pédagogiques adaptées pour utiliser l’IAGen en classe en vue de favoriser l’apprentissage.

Figure 1 : moyennes statistiquement significatives entre les filles et les garçons.

Tableau 1 : matrice de corrélation. Remarque : r de Pearson’s, * p < .05, ** p < .01, *** p < .001. Exemple d’interprétation : les coefficients de corrélation peuvent se situer entre -1 et + 1. Des valeurs positives signifient que des scores plus élevés d’une variable sont associés à des scores plus élevés de l’autre variable. Le coefficient r = .49 entre l’utilisation de l’IAGen en classe et la tricherie lors de l’apprentissage avec l’IAGen indique par exemple la présence d’une corrélation positive modérée à relativement importante entre les deux.

En conclusion

Il semble pour cette raison bienvenu d’adopter une approche critique et raisonnée dans la façon d’éduquer les personnes apprenantes aux médias, et ce afin de promouvoir tout à la fois leur efficacité personnelle et leur responsabilité.

Cet article met au jour les différents défis posés par l’intégration de l’intelligence artificielle générative (IAGen) en classe dans les écoles professionnelles. Il montre notamment que le rapport des personnes apprenantes et de leurs établissements scolaires avec l’IAGen entraîne une reproduction de la fracture numérique entre les sexes. Il montre en outre que la fréquence d’utilisation de l’IA générative ainsi qu’une approche créative et productive sont liées à la tricherie lors de l’apprentissage avec l’IA générative. Il semble pour cette raison bienvenu d’adopter une approche critique et raisonnée dans la façon d’éduquer les personnes apprenantes aux médias, et ce afin de promouvoir tout à la fois leur efficacité personnelle et leur responsabilité. Une telle approche devrait toutefois s’accompagner de mesures supplémentaires telles que l’établissement de règles d’utilisation de l’IAGen ainsi que l’élaboration et le déploiement de stratégies pédagogiques adaptées pour utiliser l’IAGen en classe en vue de favoriser l’apprentissage.

Bibliographie

• Baacke, D. (1997). Medienpädagogik. Tübingen: Niemeyer.
• Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021, March). On the dangers of stochastic parrots: Can language models be too big?🦜. In Proceedings of the 2021 ACM conference on fairness, accountability, and transparency (pp. 610-623).
• Botturi, L. (2019). Digital and media literacy in pre-service teacher education: A case study from Switzerland. Nordic Journal of Digital Literacy, 14(3–4).
• Chen, S., & Cheung, A. C. (2025). Effect of generative artificial intelligence on university students learning outcomes: A systematic review and meta-analysis. Educational Research Review, 100737.
• Consoli, T., & Petko, D. (2025). Which educational approaches predict students’ generative AI confidence and responsibility? Computers and Education: Artificial Intelligence, 9, 100431.
• Damberger, T. (2021). Medienentwicklung und Medienpädagogik: Künstliche Intelligenz. In U. Sander, F. von Gross, & K.-U. Hugger (Eds.), Handbuch Medienpädagogik. Springer.
• Gesellschaft für Informatik (2016). Dagstuhl-Erklärung: Bildung in der digitalen vernetzten Welt.
• Gerlich, M. (2025). AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), 6.
• Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., & Seidel, T. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and individual differences, 103, 102274.
• Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X. H., Beresnitzky, A. V., … & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task. arXiv preprint.
• Petko, D.; Cattaneo, A.; Gonon, P.; Antonietti, C.; Consoli, T.; Hartmann, M.; Michos, K.; Schmitz, M. L (2025). Digitale Transformation der Sekundarstufe II. Schlussbericht des DigiTrasII Projektes.
• Selwyn, N. (2004). Reconsidering political and popular understandings of the digital divide. New media & society, 6(3), 341-362.
• Siddiq, F., & Scherer, R. (2019). Is there a gender gap? A meta-analysis of the gender differences in students’ ict literacy. Educational Research Review, 27, 205–217.
• Suárez, D., & García-Mariñoso, B. (2025). On the verge of a digital divide in the use of generative AI?. Telecommunications Policy, 102997.
• UNESCO (2024). AI competency framework for students. United Nations Educational, Scientific and Cultural Organization.
• Zhong, B., & Liu, X. (2025). Evaluating AI literacy of secondary students: Framework and scale development. Computers & Education, 227, 105230.
• Zhu, Y., Liu, Q., & Zhao, L. (2025). Exploring the impact of generative artificial intelligence on students’ learning outcomes: A meta-analysis. Education and Information Technologies, 30(11), 16211-16239.
• Zuber, N., & Gogoll, J. (2024). Vox populi, vox ChatGPT: Large language models, education, and democracy. Philosophie, 9(1), 13.

La présente contribution est protégée par le droit d'auteur. Toute utilisation est autorisée à l'exception de l'utilisation commerciale. La distribution sous la même licence est possible ; elle nécessite toutefois la mention de l’auteur.