L’IAG et la surcharge cognitive
Reconnaître et prévenir la saturation de la mémoire de travail — y compris lorsque l’IA prétend la décharger.
Mise en contexte
Vous expliquez une approche stratégique des options réelles. Plusieurs étudiantes et étudiants ont le regard vide; certains ont arrêté de prendre des notes. Quand vous posez une question, personne ne répond. Ce n’est pas du désintérêt : leur cerveau a « décroché » parce que trop d’éléments à traiter en même temps ont saturé leur mémoire de travail.
Résultat
La surcharge cognitive ne traduit pas un manque d’effort : c’est une limite naturelle du cerveau. Celui-ci ne peut traiter que 4 à 7 éléments à la fois en mémoire de travail. Au-delà, il est saturé. Un cours trop dense, peu structuré ou présenté trop vite, peut alors surcharger tout un groupe, sans que cela soit visible immédiatement.
Comprendre la surcharge cognitive
La théorie de la charge cognitive (Sweller)
Sweller distingue trois types de charge :
- la charge intrinsèque, liée à la complexité du contenu à apprendre,
- la charge extrinsèque, qui dépend de la manière dont l’information est présentée et qu’il convient de réduire,
- la charge pertinente, qui correspond à l’effort mental utile à l’apprentissage et qu’il est souhaitable de favoriser.
Ainsi, le principal enjeu pédagogique est de limiter la charge extrinsèque afin de libérer des ressources cognitives pour la charge pertinente, essentielle à l’apprentissage.
Reconnaître la surcharge
La surcharge cognitive se manifeste par plusieurs signaux observables :
- regard vide,
- arrêt de la prise de notes,
- questions répétées sur des éléments déjà expliqués,
- réponses incohérentes,
- désengagement soudain.
Elle s’installe souvent progressivement et peut passer inaperçue au début. Il est important de noter que l’attention apparente ne garantit pas la compréhension : une personne étudiante peut sembler attentive tout en étant déjà en surcharge. Un indicateur plus fiable réside dans la qualité des réponses ou dans la capacité à reformuler. Quand plusieurs de ces signaux apparaissent, cela indique que la mémoire de travail est saturée : les nouvelles informations ne sont pas traitées efficacement. Poursuivre l’enseignement est alors moins productif. Il est préférable de faire des pauses, de revenir en arrière, de segmenter davantage le contenu ou de proposer des synthèses regroupées ou hiérarchisées.
Pourquoi cela compte pour l’apprentissage
La mémoire de travail constitue le véritable goulot d’étranglement de tout apprentissage. La plupart des stratégies pédagogiques efficaces, comme la segmentation, la modélisation ou le double codage (texte et image) visent précisément à respecter ses limites. Comme le souligne Masson (2025), éviter la surcharge cognitive ne relève pas du confort, mais d’une condition essentielle à l’apprentissage : un cerveau saturé ne parvient tout simplement pas à encoder l’information.
À l’ère de l’IAG, la responsabilité pédagogique évolue : il ne s’agit plus seulement d’ajuster la complexité du contenu, mais aussi de maîtriser celle de l’environnement numérique. Demander à une personne étudiante de naviguer simultanément entre ZoneCours, ses notes, Copilot et un manuel, c’est lui imposer une charge extrinsèque considérable, indépendamment du contenu.
En résumé, voici le risque et l’opportunité de l’IAG face à la surcharge cognitive.
Risque
L’IAG ajoute une couche de complexité que les personnes étudiantes ne savent pas toujours gérer : flux d’information à traiter, fenêtre de clavardage à gérer, décisions à prendre sur ce qui est à conserver, à rejeter. Paradoxalement, cela peut entraîner une surcharge cognitive, alors que l’objectif initial était justement de la réduire.
Opportunité
Lorsqu’elle est bien utilisée, l’IAG peut alléger la mémoire de travail : elle aide à suivre une analyse complexe, à retrouver de l’information ou à reformuler des notions. Toutefois, cet avantage dépend des connaissances préalables de la personne étudiante; sans bases solides, la personne étudiante risque de se retrouver à gérer un échange sur un sujet qu’elle ne comprend pas réellement.
La surcharge cognitive et le bien-être étudiant
Pouvoir transférer ses apprentissages dans de nouveaux contextes leur donne du sens et renforce la motivation en augmentant la valeur perçue des tâches. Le sentiment que « cela sert à quelque chose » soutient à la fois l’engagement et la confiance en l’avenir. À l’inverse, des savoirs cloisonnés et peu mobilisables peuvent nourrir un sentiment d’inutilité et entraîner une baisse de motivation.
À retenir
Message clé
L’IAG ne diminue pas automatiquement la charge cognitive et peut, au contraire, l’augmenter. Le point clé est le suivant : l’outil d’IA permet-il de libérer de l’espace en mémoire de travail pour les visés, ou ajoute-t-il des opérations supplémentaires à gérer? Tout dépend alors des consignes pédagogiques.
Clin d’œil scientifique
Efficace ≠ efficient
L’IAG peut sembler efficace (un résultat est obtenu) sans être efficiente pour l’apprentissage (aucun encodage durable en mémoire à long terme) : la performance immédiate et l’apprentissage sont dissociables, voire inversement liés (Bjork et Bjork, 2011, 2020), et des travaux récents montrent que l’assistance par IA générative améliore la production sans produire de gain d’apprentissage (Fan et coll., 2024).
L’effet inverse possible
Dans un mémoire fait à HEC Montréal au sujet des interfaces neuro adaptatives, Beauchemin (2023) montre que des outils numériques mal conçus peuvent alourdir la charge cognitive plutôt que la réduire, en particulier lorsque l’utilisateur doit sans cesse décider de la manière de les utiliser.
Quand l’IA aide à décharger
Lodge et Loble (2026) prônent un délestage cognitif réfléchi : utiliser l’IA pour les tâches secondaires, telles que la mise en forme ou les premières recherches afin de préserver les ressources cognitives pour l’apprentissage réel. Cependant, en l’absence de consignes pédagogiques claires, ce délestage risque de devenir une forme d’évitement.
Pour aller plus loin
Beauchemin, N. (2023). Améliorer l’expérience d’apprentissage grâce à une interface neuro-adaptative soutenant l’apprenant dans la gestion de sa charge cognitive [Mémoire de maîtrise, HEC Montréal]. HEC Montréal. https://biblos.hec.ca/biblio/memoires/beauchemin_noemie_m2023.pdf
Bjork, E. L. et Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. Dans M. A. Gernsbacher, R. W. Pew, L. M. Hough et J. R. Pomerantz (dir.), Psychology and the real world: Essays illustrating fundamental contributions to society (p. 56-64). Worth Publishers.
Bjork, R. A. et Bjork, E. L. (2020). Desirable difficulties in theory and practice. Journal of Applied Research in Memory and Cognition, 9(4), 475-479. https://doi.org/10.1016/j.jarmac.2020.09.003
Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X. et Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489-530. https://doi.org/10.1111/bjet.13544
Lodge, J. M. et Loble, L. (2026). Artificial intelligence, cognitive offloading and implications for education. Australian Network for Quality Digital Education et University of Technology Sydney. https://doi.org/10.71741/4pyxmbnjaq.31302475
Masson, S. (2025). Éviter la surcharge de la mémoire de travail : Un défi majeur. Cahiers pédagogiques, Hors-série(1), 7-14. https://doi.org/10.3917/cape.hs1.0007
Sweller, J. (2011). Cognitive load theory. Dans J. P. Mestre et B. H. Ross (dir.), Psychology of Learning and Motivation (Vol. 55, p. 37-76). Academic Press. https://doi.org/10.1016/B978-0-12-387691-1.00002-8
