Publié le 9 septembre 2026 · Mis à jour le 10 octobre 2026 · Par Marie Castelli, Partner, Mentivis
Apprendre avec l'IA : ce que les études disent vraiment
Les études montrent que l'IA améliore l'apprentissage quand elle oblige l'apprenant à produire, rappeler et expliquer, et qu'elle peut le dégrader quand elle fournit les réponses. Les systèmes de tutorat intelligent obtiennent en moyenne 0,66 à 0,76 écart-type de progrès. Pour l'IA générative, un essai publié dans PNAS en 2025 mesure une baisse de 17 % à l'examen chez les lycéens ayant utilisé ChatGPT sans garde-fous.
Pilier : Apprentissage adaptatif et personnalisation des parcours : le guide
Que montrent les études sur les tuteurs intelligents ?
Les systèmes de tutorat intelligent (ITS, Intelligent Tutoring Systems) sont étudiés depuis plusieurs décennies. La revue de Kurt VanLehn (2011) compare tutorat humain, tutorat par ordinateur et absence de tutorat. Elle mesure un effet de 0,79 écart-type pour le tutorat humain et de 0,76 pour les systèmes qui interviennent à chaque étape du raisonnement, contre 0,31 pour ceux qui ne réagissent qu'à la réponse finale.
Ces chiffres sont souvent présentés comme la solution au « 2 sigma problem » de Bloom (1984), qui attribuait au tutorat individuel un effet de deux écarts-types. C'est inexact : 0,76 écart-type représente un peu plus du tiers de deux sigma. Le résultat de VanLehn est d'une autre nature : un bon système de tutorat atteint presque l'efficacité d'un tuteur humain, laquelle est bien inférieure à ce que Bloom avait rapporté.
La méta-analyse de Kulik et Fletcher (2016), sur 50 évaluations contrôlées, trouve un effet médian de 0,66 écart-type, soit le passage d'un élève du 50e au 75e percentile. Les effets sont nettement plus faibles sur des tests standardisés que sur des tests conçus par les équipes du projet, et faibles lorsque l'implémentation était défaillante.
Que montrent les études récentes sur l'IA générative ?
Les premiers essais contrôlés sur les modèles de langage confirment que la conception de l'outil détermine l'effet.
| Étude | Population | Résultat principal |
|---|---|---|
| Bastani et al., PNAS, 2025 | Près de 1 000 lycéens en Turquie, mathématiques | Avec GPT-4 en accès libre : +48 % aux exercices, puis -17 % à l'examen sans IA par rapport au groupe témoin. Avec une version guidée : +127 % aux exercices, pas de différence significative à l'examen |
| Kestin et al., Scientific Reports, 2025 | 194 étudiants de physique à Harvard | Tuteur IA conçu selon des principes pédagogiques : gains médians plus de deux fois supérieurs à un cours d'apprentissage actif, en 49 minutes médianes contre 60 |
| Fan et al., British Journal of Educational Technology, 2025 | 117 étudiants, tâche de rédaction | Le groupe aidé par ChatGPT améliore davantage son texte, sans gain supérieur de connaissances ni de transfert |
Bastani et al. décrivent un usage de l'IA comme « béquille » : les élèves obtiennent la réponse sans faire le raisonnement, puis réussissent moins bien seuls. Fan et al. parlent de « paresse métacognitive ». Kestin et al. montrent à l'inverse qu'un tuteur qui guide pas à pas, avec des réponses et des consignes rédigées par des experts, peut dépasser un bon cours en présentiel ; les auteurs précisent que le résultat porte sur des notions d'introduction et ne vaut pas forcément pour les raisonnements complexes.
Pourquoi une IA qui donne les réponses fait-elle moins bien apprendre ?
Le mécanisme est connu : c'est l'effet de test. Roediger et Karpicke (2006) ont montré que des étudiants testés sur un texte le retenaient bien mieux, deux jours et une semaine plus tard, que des étudiants qui l'avaient relu, alors que ces derniers se disaient plus confiants. Le guide de pratique de l'Institute of Education Sciences (What Works Clearinghouse, 2007) classe l'usage de quiz pour réexposer les apprenants aux contenus clés parmi ses recommandations au niveau de preuve « fort ».
Soderstrom et Bjork (2015) distinguent la performance pendant l'apprentissage, observable immédiatement, et l'apprentissage durable, qui se mesure plus tard. Les deux peuvent diverger, et les apprenants prennent souvent leur aisance du moment pour un apprentissage réel. Lire une réponse bien rédigée produite par une IA donne cette aisance sans l'effort de rappel qui consolide la mémoire.
Comment lire une étude sur l'IA en formation ?
- Le groupe de contrôle. Une comparaison « avant / après » sur un même groupe n'isole pas l'effet de l'IA. L'essai randomisé contrôlé reste la référence.
- La mesure. Un résultat obtenu avec l'outil ne dit rien de ce que l'apprenant sait faire sans lui ; l'étude de Bastani et al. le montre clairement.
- Le délai. Les effets immédiats et les effets à plusieurs semaines peuvent diverger.
- Le test utilisé. Kulik et Fletcher (2016) observent des effets plus élevés sur des tests conçus localement que sur des tests standardisés.
- La taille d'effet. Kraft (2020) rappelle que des effets jugés « petits » selon les seuils de Cohen sont en réalité importants comparés à la plupart des interventions éducatives évaluées sur le terrain.
- La population. Des résultats obtenus auprès de lycéens ou d'étudiants ne se transposent pas mécaniquement à des adultes en formation professionnelle.
- Le financement. Une étude conduite par l'éditeur sur son propre produit ne vaut pas une étude indépendante publiée avec relecture par les pairs.
Les conséquences pratiques pour la conception d'un parcours sont développées dans Comment l'IA personnalise et adapte un parcours de formation et Ce que l'IA ne peut pas faire en formation.
Questions fréquentes
Sources
- The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems, VanLehn, Educational Psychologist, 2011
- The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring, Bloom, Educational Researcher, 1984
- Effectiveness of Intelligent Tutoring Systems, Kulik et Fletcher, Review of Educational Research, 2016
- Generative AI without guardrails can harm learning: Evidence from high school mathematics, Bastani et al., PNAS, 2025
- AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting, Kestin et al., Scientific Reports, 2025
- Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance, Fan et al., British Journal of Educational Technology, 2025
- Test-Enhanced Learning, Roediger et Karpicke, Psychological Science, 2006
- Organizing Instruction and Study to Improve Student Learning, Pashler et al., What Works Clearinghouse, Institute of Education Sciences, 2007
- Learning Versus Performance, Soderstrom et Bjork, Perspectives on Psychological Science, 2015
- Interpreting Effect Sizes of Education Interventions, Kraft, Educational Researcher, 2020
À lire aussi
- Apprentissage adaptatif (adaptive learning) : définition et preuves
- Personnalisation des parcours de formation : mythe ou réalité en 2026 ?
- Comment l'IA personnalise et adapte un parcours de formation
- Individualisation des parcours en organisme de formation et CFA : obligations et méthodes
Produits concernés : MentivisOS Entreprise, MentivisOS Open