L'intelligence artificielle générative dans la recherche en psychologie de l'éducation
L'intelligence artificielle générative (IA gen) a émergé en tant qu'outil transformateur ces dernières années, avec des applications s'étendant à l'éducation, à la santé et au-delà. En psychologie de l'éducation, l'IA gen offre des outils et des approches innovantes pour comprendre comment les apprenants pensent, ressentent et agissent. Au-delà de ses applications générales dans l'éducation, des recherches récentes mettent en lumière des façons spécifiques dont l'IA gen est exploitée pour faire avancer notre compréhension des aspects cognitifs, émotionnels et sociaux de l'apprentissage.
Applications dans la recherche en psychologie de l'éducation
Alors que l'IA générative était initialement utilisée dans les domaines de l'écriture et de l'analyse, une vague d'innovation a permis d'intégrer l'IA gen directement dans les tâches expérimentales et les procédures, afin d'étudier comment les participants la perçoivent et interagissent avec elle.
L'intelligence artificielle générative (IA gen) s'avère être un outil polyvalent et puissant dans la recherche en psychologie de l'éducation, offrant de nombreuses applications. Voici comment l'IA gen est appliquée :
Amélioration des compétences en résolution de problèmes : Les chatbots alimentés par l'IA, tels que ChatGPT, fournissent des solutions étape par étape et des conseils ciblés, encourageant les étudiants à s'engager dans la pensée critique et à appliquer des stratégies de résolution de problèmes (Miraglia, 2024).
Métacognition et processus cognitifs : Les invites métacognitives générées par l'IA peuvent améliorer la pensée critique lors des recherches basées sur l'IA gen en encourageant les apprenants à faire des pauses, à réfléchir et à évaluer les informations (Singh et al., 2025).
Apprentissage personnalisé : L'intégration de l'IA gen peut faciliter un enseignement personnalisé adapté aux besoins individuels des étudiants, améliorant l'expérience d'apprentissage et s'adaptant à des styles d'apprentissage diversifiés (Miraglia, 2024).
Analyse du langage : Les capacités avancées de traitement du langage naturel de l'IA gen permettent une analyse plus approfondie des réponses des étudiants, fournissant des aperçus sur leur motivation, leur frustration, leur engagement et d'autres états émotionnels (Întorsureanu et al., 2025).
Expressions émotionnelles : Il a été démontré que l'IA gen améliore la motivation, réduit l'anxiété et favorise un environnement émotionnellement favorable. Des outils fournissant un retour d'information émotionnel en temps réel peuvent également aider à développer des compétences d'apprentissage socio-émotionnel telles que la conscience de soi et l'empathie (Kohnke & Moorhouse, 2025 ; Henriksen et al., 2025).
Échafaudage cognitif : L'échafaudage cognitif fait référence au soutien donné aux apprenants qui les aide à comprendre différents concepts et que les technologies d'IA peuvent faciliter l'apprentissage en fournissant une assistance adaptée au niveau de compréhension actuel d'un étudiant (Miraglia, 2024).
Engagement et interactivité améliorés : En simulant des conversations et des interactions semblables à celles des humains, l'IA générative peut améliorer l'engagement et la motivation des étudiants à apprendre (Miraglia, 2024).
Développement des compétences du 21e siècle : Les applications de l'IA générative soutiennent la culture de compétences essentielles telles que la créativité, le travail d'équipe et la communication, essentielles pour prospérer dans un monde numérisé (Miraglia, 2024).
Assistance pendant le processus d'apprentissage : Les chatbots IA servent de compagnons d'étude, fournissant des explications et des clarifications à travers diverses matières, ce qui aide les étudiants à mieux comprendre et contextualiser le matériel pédagogique (Miraglia, 2024).
Autonomisation des éducateurs : Les technologies IA gen peuvent simplifier les tâches administratives des éducateurs telles que la planification, la notation et la diffusion d'informations. Cela leur permet de se concentrer davantage sur l'enseignement et l'interaction avec les étudiants (Miraglia, 2024).
Études de cas de recherches intégrant l'IA générative dans des tâches expérimentales
L'IA générative attire l'attention en psychologie de l'éducation pour sa large gamme de possibilités d'utilisation dans la recherche et la pratique. Voici quelques exemples issus de recherches montrant comment l'IA générative est utilisée en psychologie de l'éducation :
Apprentissage génératif grâce au tutorat basé sur l'IA
Dans une étude de Makransky et al. (2025), l'IA générative a été utilisée via un chatbot spécial appelé ChatTutor. Il a incité les étudiants à expliquer des concepts et à enseigner à l'IA, en s'appuyant spécifiquement sur des principes issus de la théorie de l'apprentissage génératif, indiquant son ancrage dans les théories éducatives. Les étudiants interagissaient avec le système ChatTutor, qui incorporait un échafaudage et un retour d'information opportun calibrés à leur compréhension. Ce design a facilité la participation active et visait à créer des interactions d'apprentissage significatives centrées sur l'étudiant. Les résultats ont montré que l'utilisation de ChatTutor améliorait la rétention à long terme des connaissances conceptuelles chez les étudiants (Makransky et al., 2025).
Littératie psychologique grâce à des évaluations intégrées à l'IA
Dans une étude (Richmond & Nicholls, 2024), l'IA générative (ChatGPT) a été utilisée dans une évaluation en trois phases pour améliorer la littératie psychologique parmi les étudiants de premier cycle en psychologie. Dans la Phase 1 (Génération de brouillon assistée par IA et critique), les étudiants étaient invités à utiliser un outil d'IA générative pour générer un projet de communiqué de presse. Les étudiants critiquaient ensuite ce contenu généré par l'IA à l'aide d'une grille de notation, identifiant les forces, les faiblesses et les priorités de révision, et attribuant des notes basées sur la grille. Dans la Phase 2 (Critique de l'IA), les étudiants révisaient le texte produit par ChatGPT, incorporant leur critique et documentant les changements à l'aide des modifications suivies, avant de soumettre leur révision pour obtenir un retour d'information de l'instructeur. Dans la Phase 3 (Révision et production vidéo), les étudiants intégraient les retours de leur instructeur, incorporaient des graphiques et faisaient leur soumission vidéo finale. Cette méthode visait à déterminer si un engagement précoce avec les résultats de l'IA améliorerait la qualité du travail des étudiants, et les résultats ont indiqué des bénéfices de performance significatifs par rapport aux processus de révision par les pairs traditionnels.
Personnalisation du contenu éducatif en fonction des intérêts des étudiants à l'aide de l'IA gen
Tasdelen & Bodemer (2025), dans leur étude, ont employé l'IA générative pour créer un contenu éducatif personnalisé adapté aux intérêts individuels des étudiants. L'étude visait à évaluer les effets des matériaux générés par l'IA sur la motivation intrinsèque, l'intérêt et la performance d'apprentissage. L'IA générative a créé des matériaux d'apprentissage qui s'alignaient spécifiquement sur les intérêts identifiés pour chaque étudiant. Différentes tâches ont été conçues à l'aide de l'IA générative et présentées aux étudiants pendant l'étude. Ces tâches étaient conçues pour être personnalisées en fonction du contexte, s'adaptant aux intérêts uniques des participants. La recherche a impliqué une application web auto-développée qui facilitait l'accès au contenu généré par l'IA. Les étudiants ont participé à l'étude via cette plateforme pendant les cours de mathématiques réguliers. Le système d'IA générative était capable de générer dynamiquement du matériel éducatif basé sur les intérêts rapportés par les étudiants. Cette capacité en temps réel a assuré que les tâches éducatives demeurent pertinentes et engageantes. Dans l'ensemble, l'étude montre que l'IA générative a joué un rôle crucial dans la création de meilleurs matériaux d'apprentissage et, par conséquent, a amélioré leur engagement d'apprentissage, leur motivation, leur intérêt et leurs résultats globaux.
Compréhension des textes scientifiques via le mentorat assisté par l'IA
L'IA générative a été utilisée via la plateforme OwlMentor dans une étude de Thüs et al. (2024), conçue pour aider les étudiants à comprendre des textes scientifiques. Les principales applications de l'IA générative dans cette étude comprenaient : la génération automatique de questions, le dialogue alimenté par l'IA où les étudiants pouvaient interagir dans une interface de type chat et discuter ou poser des questions, la création de quiz avec génération personnalisée de quiz et retour d'information. En utilisant les capacités de l'IA, la plateforme pouvait adapter les réponses et les incitations aux questions individuelles des étudiants, améliorant leur parcours d'apprentissage grâce à des interactions spécifiques au contexte. Les utilisateurs ont montré une amélioration notable de leur performance générale entre les pré-tests et les post-tests, suggérant que l'utilisation de la plateforme avait un impact positif sur leurs résultats d'apprentissage sur divers sujets.
Apprentissage visuel et engagement critique grâce à la génération d'images par l'IA
Dans une étude (Berg et al., 2024), l'IA générative a été utilisée pour faciliter l'apprentissage des étudiants et améliorer leur engagement. Les étudiants ont utilisé Midjourney pour créer des images basées sur des incitations qu'ils ont développées. Les images générées ont aidé les étudiants à passer d'une compréhension superficielle à une compréhension plus profonde et critique des sujets discutés. Ils ont constaté que l'association d'images avec des textes facilitait la mémorisation et la compréhension des informations. L'utilisation d'images générées par l'IA a servi de base aux discussions en classe. Les étudiants ont analysé les images par rapport à leurs incitations, discutant des aspects qui étaient précis ou trompeurs, améliorant ainsi leur pensée critique sur le contenu. L'étude a souligné le facteur motivant des étudiants créant leurs propres images IA, essentiellement une forme d'apprentissage actif, qu'ils ont trouvé plus agréable que de visionner passivement des images existantes. Les enseignants ont suggéré que les incitations utilisées par les étudiants pourraient servir de base à l'évaluation, aidant les éducateurs à évaluer la compréhension des étudiants à travers les images qu'ils ont générées. La principale conclusion de l'étude est que les outils de génération d'images IA, tels que Midjourney, peuvent avoir un impact positif sur l'apprentissage des étudiants en le rendant plus centré sur l'étudiant, interactif, amusant et engageant.
Conclusion
L'IA générative révolutionne la psychologie de l'éducation en offrant des solutions innovantes qui soutiennent l'apprentissage personnalisé, améliorent l'engagement et favorisent la pensée critique. Au fur et à mesure que ce domaine évolue, une exploration continue aidera à découvrir encore plus de moyens significatifs d'intégrer l'IA dans la recherche et la pratique en psychologie de l'éducation. Cependant, il est également important de comprendre les préoccupations éthiques concernant la confidentialité des données, les biais et l'utilisation responsable de l'IA dans les environnements d'apprentissage.
Références
Berg, C., Omsén, L., Hansson, H., & Mozelius, P. (2024). Images générées par l'IA des étudiants : Impact sur la motivation, l'apprentissage et la satisfaction. Conférence internationale sur la recherche en IA, 4(1), 500–506.
Henriksen, D., Creely, E., Gruber, N., & Leahy, S. (2025). Apprentissage socio-émotionnel et IA générative : Une revue critique de la littérature et un cadre pour la formation des enseignants. Journal of Teacher Education, 76(3), 312–328.
Întorsureanu, I., Oprea, S.-V., Bâra, A., & Vespan, D. (2025). IA générative en éducation : Perspectives à travers un prisme académique. Electronics, 14(5), 1053.
Kohnke, L., & Moorhouse, B. L. (2025). Amélioration des aspects émotionnels de l'éducation linguistique grâce à l'intelligence artificielle générative (IA gen) : Une investigation qualitative. Computers in Human Behavior, 167, 108600.
Makransky, G., Shiwalia, B. M., Herlau, T., & Blurton, S. (2025). Au-delà du facteur « wahou » : Utiliser l'IA générative pour augmenter la compréhension générative. Educational Psychology Review, 37(3).
Miraglia, L. (2024). La promesse de l'intelligence artificielle générative. Implications psychologiques dans les contextes éducatifs. Rivista di Scienze dell'Educazione, 62(1).
Richmond, J. L., & Nicholls, K. (2024). Utiliser l'IA générative pour promouvoir les littératies psychologique, rétroaction et intelligence artificielle chez les étudiants en psychologie de premier cycle. Teaching of Psychology, 52(3), 291–297.
Sengar, S. S., Hasan, A. B., Kumar, S., & Carroll, F. (2024). Intelligence artificielle générative : Une revue systématique et applications. Multimedia Tools and Applications, 84(21), 23661–23700.
Singh, A., Guan, Z., & Rieh, S. Y. (2025). Amélioration de la pensée critique dans la recherche IA générative avec des invites métacognitives. arXiv preprint arXiv:2505.24014.
Tasdelen, O., & Bodemer, D. (2025). IA générative dans la classe : Effets des matériaux et tâches d'apprentissage personnalisés en fonction du contexte sur la motivation et la performance. International Journal of Artificial Intelligence in Education.
Thüs, D., Malone, S., & Brünken, R. (2024). Explorer l'IA générative dans l'enseignement supérieur : Un système RAG pour améliorer l'engagement des étudiants avec la littérature scientifique. Frontiers in Psychology, 15.