Le Questionnaire sur la litt\u00e9ratie en intelligence artificielle<\/strong> (Artificial Intelligence Literacy Questionnaire<\/em> [AILQ] ; Ng et al., 2024<\/a>) est un instrument psychom\u00e9trique auto-rapport\u00e9 con\u00e7u pour \u00e9valuer la litt\u00e9ratie en intelligence artificielle (IA) chez les \u00e9l\u00e8ves de l’enseignement secondaire (\u00e2g\u00e9s de 12 \u00e0 17 ans). Face \u00e0 l’essor spectaculaire des technologies \u00e9mergentes et des mod\u00e8les g\u00e9n\u00e9ratifs dans l’\u00e9ducation et la soci\u00e9t\u00e9, l’AILQ op\u00e9rationnalise une approche holistique structur\u00e9e autour de quatre dimensions fondamentales : affective, comportementale, cognitive et \u00e9thique (mod\u00e8le ABCE). L’instrument final comprend 32 items<\/strong> \u00e9valu\u00e9s au moyen d’une \u00e9chelle de Likert en cinq points, allant de 1 (\u00ab fortement en d\u00e9saccord \u00bb) \u00e0 5 (\u00ab fortement d’accord \u00bb).<\/p>\n Initialement constitu\u00e9 d’un r\u00e9servoir de 60 \u00e9nonc\u00e9s, le questionnaire a b\u00e9n\u00e9fici\u00e9 d’un protocole d’\u00e9puration rigoureux incluant une validation par panel d’experts, des entretiens qualitatifs et une \u00e9tude pilote. Les analyses factorielles exploratoires (AFE) et confirmatoires (AFC) ont corrobor\u00e9 la robustesse d’un mod\u00e8le factoriel de second ordre ($\\chi^2(452) = 1001{,}54$<\/span>, $p < 0{,}01$<\/span> ; RMSEA = 0{,}06 ; CFI = 0{,}92 ; TLI = 0{,}91 ; SRMR = 0{,}06). La structure factorielle globale explique 51{,}41 % de la variance totale. La coh\u00e9rence interne globale s’av\u00e8re remarquable, attest\u00e9e par un coefficient alpha de Cronbach global de 0{,}93. La validit\u00e9 discriminante est appuy\u00e9e par des ratios h\u00e9t\u00e9rotrait-monotrait (HTMT) inf\u00e9rieurs au seuil critique de 0{,}85, tandis que la variance moyenne extraite (AVE) exc\u00e8de 0{,}50 pour la majorit\u00e9 des construits sous-jacents, confirmant la pertinence m\u00e9trologique de l’outil pour la recherche p\u00e9dagogique et les interventions scolaires.<\/p>\n Litt\u00e9ratie en intelligence artificielle, AILQ, \u00e9l\u00e8ves du secondaire, mod\u00e8le ABCE, apprentissage affectif, engagement comportemental, cognition, \u00e9thique de l’IA, psychom\u00e9trie, analyse factorielle confirmatoire, auto-efficacit\u00e9 technologique, comp\u00e9tences num\u00e9riques.<\/p>\n L’\u00e9chelle a \u00e9t\u00e9 d\u00e9velopp\u00e9e et valid\u00e9e par une \u00e9quipe de chercheurs sp\u00e9cialis\u00e9s en technologies \u00e9ducatives et en sciences de l’apprentissage :<\/p>\n L’av\u00e8nement fulgurant des technologies d’intelligence artificielle dans la sph\u00e8re quotidienne et \u00e9ducative a profond\u00e9ment reconfigur\u00e9 les comp\u00e9tences requises pour les g\u00e9n\u00e9rations futures. Les mod\u00e8les \u00e9ducatifs traditionnels ax\u00e9s exclusivement sur la programmation ou la ma\u00eetrise purement informatique se sont r\u00e9v\u00e9l\u00e9s insuffisants pour saisir la complexit\u00e9 des interactions humain-machine contemporaines. L’objectif cardinal de l’Artificial Intelligence Literacy Questionnaire (AILQ)<\/strong> est de fournir un instrument m\u00e9trologiquement robuste, standardis\u00e9 et exhaustif pour quantifier la litt\u00e9ratie en IA aupr\u00e8s des adolescents scolaris\u00e9s dans l’enseignement secondaire (12-17 ans).<\/p>\n Sur le plan th\u00e9orique, l’AILQ d\u00e9passe la simple mesure de connaissances d\u00e9claratives ou algorithmiques. Il r\u00e9pond \u00e0 la n\u00e9cessit\u00e9 d’\u00e9valuer comment les apprenants appr\u00e9hendent l’IA sous l’angle de leurs dispositions motivationnelles, de leurs conduites collaboratives et exploratoires, de leurs facult\u00e9s cognitives sup\u00e9rieures (cr\u00e9ation, \u00e9valuation critique) et de leur discernement axiologique. En comblant un vide empirique majeur dans l’\u00e9valuation des comp\u00e9tences num\u00e9riques avanc\u00e9es, cet outil permet de conceptualiser l’acculturation technologique non comme un savoir statique, mais comme une disposition dynamique associant affect, action, pens\u00e9e et morale.<\/p>\n En pratique p\u00e9dagogique et en recherche clinique\/\u00e9ducative, l’AILQ remplit plusieurs fonctions strat\u00e9giques :<\/p>\n L’AILQ repose sur l’approche multidimensionnelle ABCE<\/strong> (Affective, Behavioral, Cognitive, Ethical<\/em>), articulant l’apprentissage autour de quatre domaines interconnect\u00e9s subdivis\u00e9s en composantes sp\u00e9cifiques :<\/p>\n Cette dimension capture la posture \u00e9motionnelle, volitionnelle et motivationnelle de l’\u00e9l\u00e8ve \u00e0 l’\u00e9gard de l’intelligence artificielle. Elle comprend quatre sous-construits :<\/p>\n La composante comportementale quantifie les manifestations concr\u00e8tes et les actions d\u00e9ploy\u00e9es par l’apprenant dans son environnement :<\/p>\n S’appuyant sur des processus intellectuels de haut niveau, cette facette mesure la profondeur du traitement informationnel :<\/p>\n Ce volet \u00e9value la conscience morale et la responsabilit\u00e9 citoyenne face aux cons\u00e9quences de l’automatisation algorithmique :<\/p>\n Le d\u00e9veloppement de l’AILQ s’inscrit au carrefour de plusieurs paradigmes majeurs de la psychologie cognitive, de l’\u00e9ducation et de la philosophie morale appliqu\u00e9e aux technologies :<\/p>\n L’architecture cognitive de l’AILQ s’enracine dans la taxonomie r\u00e9vis\u00e9e de Bloom (Anderson & Krathwohl, 2001<\/a>). Selon ce cadre, l’apprentissage ne se borne pas \u00e0 la r\u00e9tention de faits bruts, mais progresse hi\u00e9rarchiquement vers des op\u00e9rations plus sophistiqu\u00e9es. L’\u00e9chelle isole d\u00e9lib\u00e9r\u00e9ment les niveaux d’application<\/em>, d’\u00e9valuation<\/em> et de cr\u00e9ation<\/em>, postulant que la v\u00e9ritable litt\u00e9ratie en IA s’exprime lorsque l’\u00e9l\u00e8ve cesse d’\u00eatre 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.<\/p>\n Le volet affectif s’appuie directement sur la th\u00e9orie sociale cognitive<\/a> d’Albert Bandura (1997). L’auto-efficacit\u00e9 per\u00e7ue constitue le d\u00e9terminant proximal de l’effort, de la r\u00e9silience face aux obstacles techniques et de l’adoption de comportements technologiques complexes. Sans un sentiment de comp\u00e9tence ad\u00e9quat, l’\u00e9l\u00e8ve tend \u00e0 d\u00e9velopper une techno-anxi\u00e9t\u00e9 conduisant \u00e0 l’\u00e9vitement des syst\u00e8mes num\u00e9riques intelligents.<\/p>\n La composante de motivation intrins\u00e8que d\u00e9rive de la th\u00e9orie de l’autod\u00e9termination<\/a> (Deci & Ryan, 2000). L’engagement p\u00e9renne dans les apprentissages technologiques est tributaire de la satisfaction des besoins psychologiques fondamentaux d’autonomie et de comp\u00e9tence. L’AILQ postule que la curiosit\u00e9 naturelle pour les interfaces intelligentes favorise une assimilation plus profonde des concepts computationnels.<\/p>\n Sur le plan disciplinaire, l’AILQ int\u00e8gre les travaux fondateurs de Long et Magerko (2020) ainsi que les synth\u00e8ses conceptuelles de Ng et al. (2021, 2024). Ces mod\u00e9lisations d\u00e9finissent la litt\u00e9ratie en IA comme un ensemble de comp\u00e9tences englobant la compr\u00e9hension des m\u00e9canismes sous-jacents, l’utilisation pragmatique, la pens\u00e9e critique face aux d\u00e9cisions automatis\u00e9es et la gouvernance \u00e9thique individuelle.<\/p>\n Le processus de validation psychom\u00e9trique de l’AILQ a \u00e9t\u00e9 men\u00e9 selon des standards rigoureux assurant la pertinence de ses propri\u00e9t\u00e9s m\u00e9trologiques.<\/p>\n La phase initiale a consist\u00e9 en la cr\u00e9ation d’un pool de 60 items d\u00e9riv\u00e9s d’une revue syst\u00e9matique de la litt\u00e9rature. Ce corpus a \u00e9t\u00e9 soumis \u00e0 un comit\u00e9 d’experts multidisciplinaire compos\u00e9 de sp\u00e9cialistes de l’\u00e9ducation aux technologies, d’ing\u00e9nieurs en informatique et de p\u00e9dagogues. Des entretiens qualitatifs men\u00e9s aupr\u00e8s d’\u00e9l\u00e8ves de l’enseignement secondaire ont permis d’ajuster la formulation syntaxique, d’\u00e9liminer les ambigu\u00eft\u00e9s s\u00e9mantiques et de s’assurer de l’ad\u00e9quation au stade de d\u00e9veloppement cognitif des adolescents de 12 \u00e0 17 ans. Une \u00e9tude pilote pr\u00e9liminaire a ensuite permis d’\u00e9laguer les items redondants ou affichant des indices de discrimination insatisfaisants.<\/p>\n La validit\u00e9 convergente a \u00e9t\u00e9 examin\u00e9e \u00e0 l’aide de la variance moyenne extraite (Average Variance Extracted<\/em>, AVE) pour l’ensemble des facteurs latents :<\/p>\n L’ind\u00e9pendance statistique des dimensions a \u00e9t\u00e9 v\u00e9rifi\u00e9e par le crit\u00e8re moderne du ratio h\u00e9t\u00e9rotrait-monotrait des corr\u00e9lations (HTMT<\/strong>). L’int\u00e9gralit\u00e9 des coefficients HTMT obtenus entre les paires de facteurs s’est maintenue en de\u00e7\u00e0 du plafond conservateur de 0{,}85, attestant que chaque dimension mesure un aspect empiriquement distinct de la litt\u00e9ratie en IA sans chevauchement excessif.<\/p>\n La fid\u00e9lit\u00e9 de l’AILQ a \u00e9t\u00e9 \u00e9tablie au moyen de multiples indicateurs de coh\u00e9rence interne et de stabilit\u00e9 m\u00e9trique :<\/p>\n La validation structurale de l’AILQ a combin\u00e9 une analyse factorielle exploratoire (AFE) suivie d’une mod\u00e9lisation par \u00e9quations structurelles via l’analyse factorielle confirmatoire (AFC).<\/p>\n L’AFE conduite sur l’\u00e9chantillon initial a permis d’extraire quatre macro-facteurs correspondant pr\u00e9cis\u00e9ment \u00e0 l’architecture ABCE. La structure \u00e0 quatre facteurs a permis d’expliquer 51{,}41 % de la variance totale<\/strong>. Les items pr\u00e9sentant des saturations crois\u00e9es \u00e9lev\u00e9es ($> 0{,}30$<\/span> sur plusieurs facteurs secondaires) ou des saturations primaires insuffisantes ($< 0{,}40$<\/span>) ont \u00e9t\u00e9 supprim\u00e9s, ramenant l’instrument final \u00e0 32 items \u00e9pur\u00e9s.<\/p>\n Afin de clarifier la structure hi\u00e9rarchique du construit, les auteurs ont test\u00e9 et compar\u00e9 plusieurs mod\u00e8les concurrents : un mod\u00e8le de premier ordre, un mod\u00e8le hi\u00e9rarchique de second ordre et un mod\u00e8le de troisi\u00e8me ordre. Les r\u00e9sultats empiriques ont privil\u00e9gi\u00e9 de mani\u00e8re concluante le mod\u00e8le de second ordre<\/strong>, o\u00f9 la \u00ab litt\u00e9ratie en IA \u00bb agit comme un facteur d’ordre sup\u00e9rieur gouvernant les composantes affective, comportementale, cognitive et \u00e9thique.<\/p>\n Les indices d’ajustement du mod\u00e8le de second ordre ont d\u00e9montr\u00e9 une ad\u00e9quation satisfaisante aux donn\u00e9es empiriques :<\/p>\n Toutes les saturations factorielles standardis\u00e9es des items sur leurs facteurs respectifs \u00e9taient statistiquement significatives ($p < 0{,}001$<\/span>), confirmant la structure dimensionnelle robuste de l’instrument.<\/p>\n2. Mots-cl\u00e9s \/ Keywords<\/h2>\n
3. Auteurs \/ Authors<\/h2>\n
\n
davyngtk@connect.hku.hk<\/code>.<\/li>\n4. Objectif \/ Purpose<\/h2>\n
\n
5. Construit psychologique \/ Construct<\/h2>\n
1. Dimension affective (Affective Learning)<\/h3>\n
\n
2. Dimension comportementale (Behavioral Learning)<\/h3>\n
\n
3. Dimension cognitive (Cognitive Learning)<\/h3>\n
\n
4. Dimension \u00e9thique (Ethical Learning)<\/h3>\n
\n
6. Cadre th\u00e9orique \/ Theoretical Framework<\/h2>\n
La taxonomie des objectifs \u00e9ducatifs et les processus cognitifs<\/h3>\n
La th\u00e9orie sociale cognitive et l’auto-efficacit\u00e9<\/h3>\n
La th\u00e9orie de l’autod\u00e9termination<\/h3>\n
Cadres contemporains de la litt\u00e9ratie en IA<\/h3>\n
7. Validit\u00e9 \/ Validity<\/h2>\n
Validit\u00e9 de contenu et apparente<\/h3>\n
Validit\u00e9 convergente<\/h3>\n
\n
Validit\u00e9 discriminante<\/h3>\n
8. Fid\u00e9lit\u00e9 \/ Reliability<\/h2>\n
\n
9. Analyse factorielle \/ Factor Analysis<\/h2>\n
Analyse factorielle exploratoire (AFE)<\/h3>\n
Analyse factorielle confirmatoire (AFC)<\/h3>\n
\n
10. Instrument de mesure \/ Instrument<\/h2>\n
\n
\n
\n
11. Permissions, Tarifs et Ann\u00e9e du test \/ Permissions & Fee and Test Year<\/h2>\n
\n
12. R\u00e9f\u00e9rences \/ References<\/h2>\n
\n
13. Questions et items du questionnaire \/ Scale Items<\/h2>\n