L’Université de Picardie Jules Verne (UPJV) est un établissement public à caractère scientifique, culturel et professionnel (EPSCP) qui accueille près de 32 000 étudiants en formation initiale ou continue.
Elle développe des formations professionnalisantes désormais pleinement reconnues sur le marché du travail. L'excellence des équipes de recherche est reconnue au plan régional, national et international. Les unités de recherche de l'UPJV sont impliquées dans trois champs disciplinaires que sont les sciences (12 unités de recherche), la santé (11 unités de recherche) et les sciences humaines et sociales (13 unités de recherche). Dans chacun de ces trois champs, les compétences des différents laboratoires sont organisées autour de thématiques fédératrices assurant la lisibilité de l’offre de recherche de l’UPJV.
L’appel à projet des Programmes d’Investissement d’Avenir (PIA3) « Nouveaux Cursus à l’Université » (NCU) a pour objectif de soutenir les universités, et les regroupements d’établissements qui souhaitent diversifier leur offre de formation afin de répondre aux enjeux auxquels est confronté le système français d’enseignement supérieur. Le projet Licences Compétences en Réseau (LCeR), lauréat en 2018 du PIA3 NCU, traduit l’ambition de trois établissements d’enseignement supérieur partenaires (l’Université de Picardie Jules Verne, l’Université d’Artois et l’Université du Littoral–Côte d’Opale) pour apporter une réponse collective et structurée à l’évolution des besoins de la population en matière de formation.
Localisation : Amiens
La personne recrutée devra réaliser une revue de littérature sur l’acceptabilité, la notion de confiance et les usages de l’IA. Elle devra conduire des études en vue de comprendre quels facteurs individuels (par ex., métacognition, degré de confiance en l’IA) et intrinsèques aux dispositifs mobilisant l’IA (par ex., propriétés, fonctionnalités, fiabilité de l’IA) impactent l’acceptabilité de ces technologies émergentes. Les travaux ainsi effectués devront être valorisés dans des conférences et des revues nationales et internationales qualifiant en section 16 Psychologie et Ergonomie.
1. Protocole de sélection et de recrutement des participants
La sélection des participants s'effectuera au sein des départements d'informatique des trois universités partenaires, en ciblant spécifiquement les étudiants de licence inscrits dans les modules de développement logiciel/programmation. Le recrutement sera basé sur le volontariat, avec une stratification préalable visant à équilibrer les groupes en fonction de leurs résultats académiques antérieurs afin de minimiser les biais liés au niveau d'expertise initial. Chaque participant signera un formulaire de consentement éclairé détaillant l'anonymisation des données et la possibilité de retrait à tout moment, conformément aux principes de l'éthique de la recherche en sciences humaines, qui sera validé au préalable par le CERNI de l’UPJV. Une évaluation préliminaire des connaissances de base sera réalisée pour garantir l'homogénéité des groupes avant la répartition aléatoire entre la condition expérimentale avec assistance par intelligence artificielle et la condition de contrôle par programmation traditionnelle.
2. Situations d'apprentissage et d'évaluation (SAÉ)
Le protocole expérimental repose sur la conception de deux situations d'apprentissage et d'évaluation distinctes mais complémentaires, centrées sur le développement d'une application de gestion de données. La première situation portera sur la conception de la structure logique et algorithmique, tandis que la seconde se focalisera sur l'implémentation de fonctionnalités complexes nécessitant une manipulation intensive de structures de données. Pour le groupe expérimental, le protocole impose l'utilisation d'une interface d'intelligence artificielle générative pour la production du code, l'étudiant devant formuler des requêtes et auditer les résultats produits. Pour le groupe de contrôle, la résolution devra s'appuyer uniquement sur les environnements de développement classiques et la documentation technique standard. Les problèmes posés seront calibrés pour présenter une charge intrinsèque élevée, afin de rendre observables les mécanismes de gestion de la charge cognitive.
3. Mesure de la charge cognitive et analyse des traces
La mesure de la charge cognitive constituera le cœur du protocole de collecte de données et sera réalisée par une approche multi-méthodes. À la fin de chaque session de travail, les participants rempliront la version numérique des échelles pour évaluer leur charge mentale perçue, l'effort fourni et le niveau de frustration. Parallèlement, un logiciel enregistrera les interactions au sein de l'environnement de développement, capturant des indicateurs tels que le temps de pause entre les saisies, le nombre de copier-coller et la fréquence des requêtes adressées à l'intelligence artificielle. Cette analyse des traces numériques permettra de distinguer la charge extrinsèque liée à l'interaction avec la machine de la charge essentielle investie dans la compréhension du problème.
L'hypothèse testée sera que l'intelligence artificielle déplace l'effort cognitif vers des tâches de vérification superficielle, ce qui peut réduire la charge totale perçue tout en diminuant l'efficacité de l'encodage en mémoire à long terme.
4. Mémorisation et de transfert de compétences
Le test de mémorisation différé constitue l'étape critique pour valider l'apprentissage réel au-delà de la performance immédiate. Quinze jours après la fin des sessions d'apprentissage, l'ensemble des participants sera soumis à une épreuve d'évaluation individuelle, sans aucun accès à une assistance par intelligence artificielle. Ce test comprendra deux volets, à savoir une tâche de rappel libre consistant à expliquer les concepts algorithmiques utilisés précédemment et une tâche de transfert lointain nécessitant l'application de ces mêmes logiques à un problème informatique structurellement différent. Ce protocole s'inspire directement des travaux sur l’apprentissage (Guillery et al., 2023, Sumeracki & Kaminske, 2024). La comparaison des performances entre le groupe ayant appris avec l'intelligence artificielle et le groupe avec l’approche classique permettra de quantifier le coût cognitif de l'assistance automatisée sur l'autonomie future de l'étudiant.
5. Analyse qualitative et traitement des données
En complément des données quantitatives, un sous-échantillon de participants sera invité à des entretiens d'explicitation menés pour affiner l’analyse des résultats. Au cours de ces entretiens, les étudiants devront commenter leurs propres traces numériques et justifier les choix effectués lors de leurs interactions avec l'intelligence artificielle. Ce protocole vise à identifier les processus métacognitifs et les éventuelles illusions de compétence ressenties par les sujets. L'analyse finale des données croisera les scores de charge cognitive, les résultats aux tests de rétention et les verbatim des entretiens. Le traitement statistique s'appuiera sur des modèles de régression pour isoler l'effet de l'usage de l'intelligence artificielle sur la construction des schémas, tout en contrôlant les variables liées à la capacité de la mémoire de travail et au niveau d'attention initial des participants.
La personne qui candidat devra être titulaire d'un doctorat en psychologie, avec une expertise en psychologie cognitive, expérimentale, ou ergonomie. La personne candidate doit posséder une solide maîtrise des méthodes de recherche quantitative et une connaissance approfondie de la littérature sur la mémoire et la charge cognitive. Une aptitude au travail en équipe est indispensable pour assurer le lien entre les unités de recherche (CRPCPO et CRIL) et les départements d'informatique. Une maîtrise de l'anglais scientifique (B2/C1) et la publication d’articles dans des revues internationales sont attendues. Une connaissance des IA et de l’informatique serait un plus.
Le dossier de candidature devra comporter un CV, une lettre de motivation en rapport avec le sujet, les pré-rapports de thèse et le rapport de soutenance