Learning to learn through artificial intelligence techniques : metacognitive impacts of digital teaching and machine learning in elementary school

Apprendre à apprendre grâce à l'intelligence artificielle : impacts métacognitifs de l’enseignement du numérique et de l’apprentissage machine à l’école primaire
Le numérique et les techniques dites d'intelligence artificielle (IA) ont envahi notre quotidien et font aujourd'hui leurs entrées dans les salles de classe à travers des outils variés pour soutenir et personnaliser les apprentissages. Si cette démocratisation ouvre de nouvelles perspectives pédagogiques, ses effets sur le développement de la métacognition - c'est-à-dire la capacité des élèves à comprendre, surveiller et réguler leurs propres apprentissages - restent encore peu explorés. Malgré la richesse des recherches menées d'une part sur l'enseignement de l'IA et de l'apprentissage machine (ML) comme dimension essentielle de la culture numérique contemporaine, et d'autre part, sur la métacognition comme levier central de la réussite scolaire, peu d'études se sont intéressées à l'articulation entre ces deux domaines dont la notion centrale et commune est l'apprentissage. Cette thèse propose donc de comprendre comment un enseignement du numérique et des techniques d'apprentissage machine peut soutenir le développement de la métacognition chez les élèves de 8 à 11 ans à travers 3 axes principaux : 1) démystifier l'IA et le ML en permettant aux élèves de comprendre leur fonctionnement ainsi que les avantages et les limites de ces technologies, 2) utiliser cet enseignement comme un levier pour les aider à développer des compétences métacognitives durables et transférables, 3) former les enseignants à l'usage de ces outils et à leur intégration dans les pratiques de classe. Pour cela, nous utilisons comme outil expérimental AlphAI, un dispositif combinant un robot apprenant manipulable physiquement par les élèves et une interface graphique permettant de visualiser en temps réel l'évolution de son réseau de neurones au fur et à mesure que le robot apprend. Dans une première étude, nous avons conçu un scénario pédagogique progressif avec AlphAI pour introduire les bases du ML de manière accessible, tout en amenant les élèves à réfléchir aux similitudes et différences entre l'apprentissage humain et celui de la machine. Dans une seconde étude, menée dans le cadre de la formation, nous avons codéveloppé avec quatre enseignants un nouveau scénario combinant les activités de la première étude à des exercices de transfert visant à favoriser le développement de compétences métacognitives essentielles à la résolution de problèmes mathématiques. Combinés, les résultats qualitatifs et quantitatifs de ces études démontrent l'impact positif de ces activités : 1) une amélioration significative des connaissances des élèves sur les systèmes de robotique et de ML, 2) une évolution positive de leurs croyances métacognitives, 3) un changement dans leur comportement face aux erreurs, sur une échelle de quelques mois, favorisant un engagement actif, 4) une amélioration de leurs stratégies de résolution de problèmes avec une pensée plus analytique et réfléchie, et 5) une augmentation statistiquement significative de leurs performances en résolution de problèmes. Par ailleurs, les pratiques des enseignants ont évolué, avec une meilleure intégration du numérique et du ML ainsi qu'un accompagnement renforcé des élèves face à l'erreur. A terme, des protocoles longitudinaux permettront d'évaluer plus finement la durabilité des effets observés sur les comportements d'apprentissage, ainsi que les conditions favorables à leur maintien dans le temps (au-delà de plusieurs mois). Il sera également essentiel de poursuivre la formation des enseignants à l'intégration des activités de ML dans leurs pratiques pédagogiques. Enfin, il sera essentiel de recueillir les retours des enseignants sur l'utilité, l'utilisabilité et l'acceptabilité des activités afin d'en favoriser l'adoption et le déploiement en classe à plus grande échelle.