Vous êtes cordialement invités!

 

Présentation publique – Projet de thèse de Faten SLAMA 

 

Date : Vendredi 20 mars 2026

Heure :  13h

Zoom:  https://uqam.zoom.us/j/85497179419

Programme : Doctorat en informatique cognitive, TELUQ 

 

TITRE : Opérationnaliser les principes de l’enseignement explicite dans un agent conversationnel pour optimiser l’apprentissage des bases de la programmation QRM Basé sur une BC 

 

RÉSUMÉ

Cette recherche aborde le défi pédagogique persistant de l’apprentissage de la programmation pour débutants, traditionnellement marqué par des taux d’abandon élevés et une charge cognitive importante. Alors que le modèle de l’enseignement explicite structuré, fondé sur le découpage en sous-objectifs et la modélisation étape par étape, a prouvé son efficacité en contexte humain, l’émergence des assistants d’IA générative comme ChatGPT et Copilot a introduit un nouvel agent de support massivement utilisé par les étudiants, mais souvent de manière non guidée et réactive, risquant de transformer ces outils en moyens de « triche facile » plutôt qu’en supports d’apprentissage authentiques. Pour combler cette lacune et dépasser l’alternative entre un enseignement humain structuré selon les principes de l’enseignement explicite d’une part, et l’usage autodirigé et risqué des IA par les étudiant·e·s d’autre part, notre étude propose et évalue une troisième voie : l’encadrement systématique et structuré, fondé sur ces mêmes principes pédagogiques, par un robot conversationnel (Chatbot) basé sur un Grand Modèle de Langage (Large Language Models – LLM), qui est un type de modèle d’intelligence artificielle (IA) reposant sur l’architecture de réseaux de neurones appelée « Transformer ». Ces modèles sont préentraînés sur des corpus de données textuelles massifs et diversifiés (livres, articles scientifiques, sites web, forums, etc.), représentant souvent plusieurs centaines de milliards de mots. Cet entraînement leur permet d’acquérir une compréhension statistique approfondie de la structure, du sens et des nuances du langage humain. Nous développons et comparons expérimentalement deux dispositifs d’assistance mobilisant l’IA : un Tuteur pédagogiquement structuré qui suit un scénario pédagogique séquentiel et structuré (clarification des objectifs, modélisation explicite, pratique guidée, rétroaction corrective), et un Assistant réactif reproduisant l’usage conversationnel libre courant. À travers une méthodologie comparative rigoureuse menée auprès d’apprenants débutants en programmation Java, nous mesurons l’impact à court terme de ces deux approches sur les gains d’apprentissage, la capacité de transfert, la qualité des interactions entre les apprenants et le chatbot, la charge cognitive, l’auto-efficacité et le développement de l’autonomie. Nous émettons l’hypothèse que le groupe utilisant le tuteur structurant démontrera une compréhension conceptuelle plus profonde, une meilleure rétention et des stratégies métacognitives d’apprentissage plus développées. Cette étude dépasse le débat "pour ou contre l’IA" en éducation. Elle démontre qu’avec un encadrement pédagogique adapté, l’IA peut devenir un véritable tuteur structurant plutôt qu’un simple outil de production rapide, ouvrant ainsi la voie à des recommandations concrètes pour les acteurs éducatifs.

 

Mots-clés : IA générative, apprentissage de la programmation (Java), enseignement explicite (modèle pédagogique structuré), sous-objectifs (subgoal labeling), systèmes tutoriels intelligents (ITS), LLM (Large Language Models), évaluation comparative (méthodologie expérimentale), charge cognitive, auto-efficacité, métacognition. 

 

JURY

Roger Villemaire (président du jury)

Roger Nkambou

Raoul Kamga Kouamkam

Daniel Lemire (directeur de recherche)

Isabelle Savard (codirectrice de recherche)