1. Résumé / Abstract
Le Questionnaire sur la littératie en intelligence artificielle (Artificial Intelligence Literacy Questionnaire [AILQ] ; Ng et al., 2024) est un instrument psychométrique auto-rapporté conçu pour évaluer la littératie en intelligence artificielle (IA) chez les élèves de l’enseignement secondaire (âgés de 12 à 17 ans). Face à l’essor spectaculaire des technologies émergentes et des modèles génératifs dans l’éducation et la société, l’AILQ opérationnalise une approche holistique structurée autour de quatre dimensions fondamentales : affective, comportementale, cognitive et éthique (modèle ABCE). L’instrument final comprend 32 items évalués au moyen d’une échelle de Likert en cinq points, allant de 1 (« fortement en désaccord ») à 5 (« fortement d’accord »).
Initialement constitué d’un réservoir de 60 énoncés, le questionnaire a bénéficié d’un protocole d’épuration rigoureux incluant une validation par panel d’experts, des entretiens qualitatifs et une étude pilote. Les analyses factorielles exploratoires (AFE) et confirmatoires (AFC) ont corroboré la robustesse d’un modèle factoriel de second ordre ($\chi^2(452) = 1001{,}54$, $p < 0{,}01$ ; RMSEA = 0{,}06 ; CFI = 0{,}92 ; TLI = 0{,}91 ; SRMR = 0{,}06). La structure factorielle globale explique 51{,}41 % de la variance totale. La cohérence interne globale s’avère remarquable, attestée par un coefficient alpha de Cronbach global de 0{,}93. La validité discriminante est appuyée par des ratios hétérotrait-monotrait (HTMT) inférieurs au seuil critique de 0{,}85, tandis que la variance moyenne extraite (AVE) excède 0{,}50 pour la majorité des construits sous-jacents, confirmant la pertinence métrologique de l’outil pour la recherche pédagogique et les interventions scolaires.
2. Mots-clés / Keywords
Littératie en intelligence artificielle, AILQ, élèves du secondaire, modèle ABCE, apprentissage affectif, engagement comportemental, cognition, éthique de l’IA, psychométrie, analyse factorielle confirmatoire, auto-efficacité technologique, compétences numériques.
3. Auteurs / Authors
L’échelle a été développée et validée par une équipe de chercheurs spécialisés en technologies éducatives et en sciences de l’apprentissage :
- Davy Tsz Kit Ng : Faculty of Education, University of Hong Kong, Hong Kong (ORCID : 0000-0002-2380-7814). Auteur correspondant :
[email protected]. - Wenjie Wu : Faculty of Education, Chinese University of Hong Kong, Hong Kong.
- Jac Ka Lok Leung : Division of Integrative Systems and Design, Hong Kong University of Science and Technology, Hong Kong (ORCID : 0000-0001-6490-7005).
- Thomas Kin Fung Chiu : Faculty of Education, Chinese University of Hong Kong, Hong Kong (ORCID : 0000-0003-2887-5477).
- Samuel Kai Wah Chu : School of Nursing and Health Studies, Hong Kong Metropolitan University, Hong Kong (ORCID : 0000-0003-1557-2776).
4. Objectif / Purpose
L’avènement fulgurant des technologies d’intelligence artificielle dans la sphère quotidienne et éducative a profondément reconfiguré les compétences requises pour les générations futures. Les modèles éducatifs traditionnels axés exclusivement sur la programmation ou la maîtrise purement informatique se sont révélés insuffisants pour saisir la complexité des interactions humain-machine contemporaines. L’objectif cardinal de l’Artificial Intelligence Literacy Questionnaire (AILQ) est de fournir un instrument métrologiquement robuste, standardisé et exhaustif pour quantifier la littératie en IA auprès des adolescents scolarisés dans l’enseignement secondaire (12-17 ans).
Sur le plan théorique, l’AILQ dépasse la simple mesure de connaissances déclaratives ou algorithmiques. Il répond à la nécessité d’évaluer comment les apprenants appréhendent l’IA sous l’angle de leurs dispositions motivationnelles, de leurs conduites collaboratives et exploratoires, de leurs facultés cognitives supérieures (création, évaluation critique) et de leur discernement axiologique. En comblant un vide empirique majeur dans l’évaluation des compétences numériques avancées, cet outil permet de conceptualiser l’acculturation technologique non comme un savoir statique, mais comme une disposition dynamique associant affect, action, pensée et morale.
En pratique pédagogique et en recherche clinique/éducative, l’AILQ remplit plusieurs fonctions stratégiques :
- Diagnostic préliminaire des besoins : Identifier les lacunes spécifiques des élèves avant l’implémentation de modules curriculaires sur l’IA, qu’il s’agisse de déficits de confiance, de méconnaissances éthiques ou de blocages comportementaux.
- Évaluation de l’impact des interventions : Servir de mesure standardisée pré-test/post-test afin de quantifier l’efficacité des curricula innovants intégrant l’apprentissage machine et l’IA générative.
- Orientation et équité sociotechnique : Analyser les écarts de genre, de niveau socio-économique ou d’exposition technologique concernant l’intérêt pour les carrières technologiques et le sentiment d’auto-efficacité face aux outils algorithmiques.
- Recherche fondamentale en psychologie de l’éducation : Modéliser les interrelations structurales entre motivation intrinsèque, collaboration assistée par machine, créativité technologique et comportement citoyen responsable.
5. Construit psychologique / Construct
L’AILQ repose sur l’approche multidimensionnelle ABCE (Affective, Behavioral, Cognitive, Ethical), articulant l’apprentissage autour de quatre domaines interconnectés subdivisés en composantes spécifiques :
1. Dimension affective (Affective Learning)
Cette dimension capture la posture émotionnelle, volitionnelle et motivationnelle de l’élève à l’égard de l’intelligence artificielle. Elle comprend quatre sous-construits :
- Motivation intrinsèque : Le plaisir, la curiosité spontanée et l’intérêt personnel ressentis lors de l’interaction avec des dispositifs d’IA ou lors de l’apprentissage de leur fonctionnement, indépendamment de récompenses externes.
- Auto-efficacité : La croyance subjective de l’élève en sa propre capacité à maîtriser des outils d’IA, à formuler des instructions appropriées (prompts) et à surmonter les difficultés techniques inhérentes.
- Confiance (Confidence) : Le degré de certitude et d’aisance psychologique dans l’utilisation quotidienne des technologies basées sur l’IA sans ressentir d’anxiété technologique.
- Intérêt professionnel (Career interest) : L’aspiration et l’ouverture à envisager des parcours académiques ou des carrières futures dans les domaines des sciences des données, du génie logiciel ou des applications sociétales de l’IA.
2. Dimension comportementale (Behavioral Learning)
La composante comportementale quantifie les manifestations concrètes et les actions déployées par l’apprenant dans son environnement :
- Engagement comportemental (Behavioral commitment) : La persévérance, le temps investi et l’effort actif déployés par l’élève pour explorer des logiciels d’IA, expérimenter de nouveaux outils et résoudre des problèmes à l’aide de systèmes intelligents.
- Collaboration : La propension à interagir avec ses pairs et ses enseignants, à échanger des idées, à coconstruire des projets et à mutualiser des stratégies pour exploiter la puissance des architectures d’IA au sein d’activités collectives.
3. Dimension cognitive (Cognitive Learning)
S’appuyant sur des processus intellectuels de haut niveau, cette facette mesure la profondeur du traitement informationnel :
- Application des connaissances : L’aptitude à mobiliser des principes de base de l’IA (reconnaissance de motifs, logique prédictive, classification) pour résoudre des situations concrètes.
- Évaluation critique : La capacité d’analyser la pertinence, la véracité et les limites des résultats générés par les algorithmes, notamment la détection des hallucinations et des imprécisions des systèmes d’IA.
- Création : L’aptitude cognitive avancée consistant à concevoir, synthétiser et générer de nouveaux artéfacts (textes, images, codes, solutions d’ingénierie) en orchestrant intelligemment les capacités de l’IA.
4. Dimension éthique (Ethical Learning)
Ce volet évalue la conscience morale et la responsabilité citoyenne face aux conséquences de l’automatisation algorithmique :
- Éthique de l’IA (AI Ethics) : La compréhension des biais algorithmiques, du respect de la vie privée, de la sécurité des données personnelles, du plagiat, de la propriété intellectuelle et de l’équité sociétale dans le déploiement des modèles d’IA.
6. Cadre théorique / Theoretical Framework
Le développement de l’AILQ s’inscrit au carrefour de plusieurs paradigmes majeurs de la psychologie cognitive, de l’éducation et de la philosophie morale appliquée aux technologies :
La taxonomie des objectifs éducatifs et les processus cognitifs
L’architecture cognitive de l’AILQ s’enracine dans la taxonomie révisée de Bloom (Anderson & Krathwohl, 2001). Selon ce cadre, l’apprentissage ne se borne pas à la rétention de faits bruts, mais progresse hiérarchiquement vers des opérations plus sophistiquées. L’échelle isole délibérément les niveaux d’application, d’évaluation et de création, postulant que la véritable littératie en IA s’exprime lorsque l’élève cesse d’être un consommateur passif pour devenir un utilisateur critique capable d’arbitrer la pertinence d’une sortie algorithmique et d’orchestrer la production de nouvelles solutions.
La théorie sociale cognitive et l’auto-efficacité
Le volet affectif s’appuie directement sur la théorie sociale cognitive d’Albert Bandura (1997). L’auto-efficacité perçue constitue le déterminant proximal de l’effort, de la résilience face aux obstacles techniques et de l’adoption de comportements technologiques complexes. Sans un sentiment de compétence adéquat, l’élève tend à développer une techno-anxiété conduisant à l’évitement des systèmes numériques intelligents.
La théorie de l’autodétermination
La composante de motivation intrinsèque dérive de la théorie de l’autodétermination (Deci & Ryan, 2000). L’engagement pérenne dans les apprentissages technologiques est tributaire de la satisfaction des besoins psychologiques fondamentaux d’autonomie et de compétence. L’AILQ postule que la curiosité naturelle pour les interfaces intelligentes favorise une assimilation plus profonde des concepts computationnels.
Cadres contemporains de la littératie en IA
Sur le plan disciplinaire, l’AILQ intègre les travaux fondateurs de Long et Magerko (2020) ainsi que les synthèses conceptuelles de Ng et al. (2021, 2024). Ces modélisations définissent la littératie en IA comme un ensemble de compétences englobant la compréhension des mécanismes sous-jacents, l’utilisation pragmatique, la pensée critique face aux décisions automatisées et la gouvernance éthique individuelle.
7. Validité / Validity
Le processus de validation psychométrique de l’AILQ a été mené selon des standards rigoureux assurant la pertinence de ses propriétés métrologiques.
Validité de contenu et apparente
La phase initiale a consisté en la création d’un pool de 60 items dérivés d’une revue systématique de la littérature. Ce corpus a été soumis à un comité d’experts multidisciplinaire composé de spécialistes de l’éducation aux technologies, d’ingénieurs en informatique et de pédagogues. Des entretiens qualitatifs menés auprès d’élèves de l’enseignement secondaire ont permis d’ajuster la formulation syntaxique, d’éliminer les ambiguïtés sémantiques et de s’assurer de l’adéquation au stade de développement cognitif des adolescents de 12 à 17 ans. Une étude pilote préliminaire a ensuite permis d’élaguer les items redondants ou affichant des indices de discrimination insatisfaisants.
Validité convergente
La validité convergente a été examinée à l’aide de la variance moyenne extraite (Average Variance Extracted, AVE) pour l’ensemble des facteurs latents :
- La majorité des facteurs ont présenté une valeur d’AVE supérieure au seuil canonique de 0{,}50 recommandé par Fornell et Larcker.
- Les construits de la motivation intrinsèque (AVE = 0{,}44) et de l’éthique de l’IA (AVE = 0{,}46) ont affiché des valeurs légèrement sous le seuil de 0{,}50. Cependant, compte tenu de saturations factorielles standardisées significatives et d’une fiabilité composite élevée, ces dimensions ont été retenues afin de préserver l’intégrité théorique de l’instrument.
Validité discriminante
L’indépendance statistique des dimensions a été vérifiée par le critère moderne du ratio hétérotrait-monotrait des corrélations (HTMT). L’intégralité des coefficients HTMT obtenus entre les paires de facteurs s’est maintenue en deçà du plafond conservateur de 0{,}85, attestant que chaque dimension mesure un aspect empiriquement distinct de la littératie en IA sans chevauchement excessif.
8. Fidélité / Reliability
La fidélité de l’AILQ a été établie au moyen de multiples indicateurs de cohérence interne et de stabilité métrique :
- Cohérence interne globale : L’analyse d’homogénéité sur l’ensemble des 32 énoncés de l’échelle donne un coefficient alpha de Cronbach ($lpha$) de 0{,}93, témoignant d’une excellente précision de mesure globale sans redondance stérile.
- Fiabilité des sous-échelles : Les coefficients alpha de Cronbach pour chacune des quatre dimensions et de leurs sous-construits respectifs oscillent dans des plages hautement acceptables à excellentes (valeurs comprises majoritairement entre 0{,}80 et 0{,}91).
- Fiabilité composite (CR) : Les indices de fiabilité composite corroborent les résultats de l’alpha, garantissant une variance d’erreur minimale lors de l’estimation des scores factoriels latents.
9. Analyse factorielle / Factor Analysis
La validation structurale de l’AILQ a combiné une analyse factorielle exploratoire (AFE) suivie d’une modélisation par équations structurelles via l’analyse factorielle confirmatoire (AFC).
Analyse factorielle exploratoire (AFE)
L’AFE conduite sur l’échantillon initial a permis d’extraire quatre macro-facteurs correspondant précisément à l’architecture ABCE. La structure à quatre facteurs a permis d’expliquer 51{,}41 % de la variance totale. Les items présentant des saturations croisées élevées ($> 0{,}30$ sur plusieurs facteurs secondaires) ou des saturations primaires insuffisantes ($< 0{,}40$) ont été supprimés, ramenant l’instrument final à 32 items épurés.
Analyse factorielle confirmatoire (AFC)
Afin de clarifier la structure hiérarchique du construit, les auteurs ont testé et comparé plusieurs modèles concurrents : un modèle de premier ordre, un modèle hiérarchique de second ordre et un modèle de troisième ordre. Les résultats empiriques ont privilégié de manière concluante le modèle de second ordre, où la « littératie en IA » agit comme un facteur d’ordre supérieur gouvernant les composantes affective, comportementale, cognitive et éthique.
Les indices d’ajustement du modèle de second ordre ont démontré une adéquation satisfaisante aux données empiriques :
- Chi-carré normé : $\chi^2(452) = 1001{,}54$, $p < 0{,}01$
- Root Mean Square Error of Approximation (RMSEA) : $0{,}06$ (intervalle de confiance à 90 % compatible avec un bon ajustement)
- Comparative Fit Index (CFI) : $0{,}92$
- Tucker-Lewis Index (TLI) : $0{,}91$
- Standardized Root Mean Square Residual (SRMR) : $0{,}06$
Toutes les saturations factorielles standardisées des items sur leurs facteurs respectifs étaient statistiquement significatives ($p < 0{,}001$), confirmant la structure dimensionnelle robuste de l’instrument.
10. Instrument de mesure / Instrument
- Nom du test : Artificial Intelligence Literacy Questionnaire (AILQ) — Questionnaire sur la littératie en intelligence artificielle.
- Population cible : Élèves du secondaire (collège et lycée, âges approximatifs : 12 à 17 ans).
- Type d’évaluation : Auto-évaluation psychométrique (auto-rapportée).
- Format : Questionnaire papier-crayon ou passation informatisée en ligne.
- Nombre d’items : 32 items.
- Échelle de réponse : Échelle de Likert à 5 points :
- 1 = Fortement en désaccord (Strongly disagree)
- 2 = En désaccord (Disagree)
- 3 = Neutre / Ni en accord ni en désaccord (Neutral)
- 4 = D’accord (Agree)
- 5 = Fortement d’accord (Strongly agree)
- Durée de passation : Environ 10 à 15 minutes.
- Modalités de cotation :
- Calcul des scores moyens par sous-dimension (ex. score moyen de motivation intrinsèque, d’éthique, etc.).
- Calcul des scores factoriels de second ordre pour les 4 macro-dimensions (Affective, Comportementale, Cognitive, Éthique).
- Calcul éventuel d’un score composite global de littératie en IA par sommation ou moyenne non pondérée de l’ensemble des 32 items.
11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year
- Année de publication : 2024.
- Revue de publication originale : British Journal of Educational Technology (BJET), John Wiley & Sons.
- Statut des droits d’auteur : © 2024 British Educational Research Association (BERA) et John Wiley & Sons Ltd. Les droits d’exploitation commerciale appartiennent à l’éditeur et aux auteurs.
- Accès pour la recherche et tarifs : L’utilisation du questionnaire dans le cadre d’études académiques non commerciales ou d’évaluations formatives scolaires est généralement autorisée à titre gracieux, sous réserve de citer scrupuleusement la publication princeps (Ng et al., 2024). Pour toute reproduction intégrale, adaptation linguistique officielle ou usage commercial, une demande d’autorisation formelle doit être adressée à l’auteur correspondant ([email protected]) ou via le centre des droits de reproduction de Wiley.
12. Références / References
- Anderson, L. W., & Krathwohl, D. R. (Eds.). (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. Longman.
- Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman.
- Deci, E. L., & Ryan, R. M. (2000). The « what » and « why » of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268. https://doi.org/10.1207/S15327965PLI1104_01
- Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1–16). Association for Computing Machinery. https://doi.org/10.1145/3313831.3376727
- Ng, D. T. K., Leung, J. K. L., Chu, K. W. S., & Shen, C. W. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, Article 100041. https://doi.org/10.1016/j.caeai.2021.100041
- Ng, D. T. K., Wu, W., Leung, J. K. L., Chiu, T. K. F., & Chu, S. K. W. (2024). Design and validation of the AI Literacy Questionnaire: The affective, behavioural, cognitive and ethical approach. British Journal of Educational Technology, 55(3), 1082–1104. https://doi.org/10.1111/bjet.13411