Qu'est-ce que l'effet protégé ?
L'effet protégé (« protege effect » ou « protégé effect » en anglais) désigne le constat suivant : on apprend une matière de façon plus approfondie lorsqu'on se prépare à l'enseigner à quelqu'un d'autre que lorsqu'on l'étudie pour soi seul. Le terme a été forgé par Catherine Chase, Doris Chin, Marily Oppezzo et Daniel Schwartz en 2009, qui écrivaient que les élèves « make greater effort to learn for their TAs than they do for themselves » (fournissent plus d'efforts pour apprendre au profit de leur agent à enseigner que pour eux-mêmes). Regroupé sur des dizaines d'expériences, le gain est modéré, de l'ordre de g = 0.17 à 0.56 selon la synthèse que l'on consulte, et il dépend fortement du fait de savoir à l'avance que l'on va enseigner.
Le mécanisme n'a rien de mystérieux. Quand vous savez que quelqu'un d'autre s'appuiera sur votre explication, vous étudiez autrement : vous organisez avec plus de soin et vous partez à la chasse aux lacunes, parce qu'il vous faut anticiper l'endroit où un lecteur va se perdre. La lecture passive atteint rarement ce niveau.
La plupart des gens le ressentent intuitivement. Pensez à une fois où vous avez expliqué un concept à un collègue. L'acte d'expliquer vous a forcé à affronter les zones floues de votre propre compréhension. Cet inconfort, c'est l'effet protégé à l'œuvre.
Ce qui le distingue des autres stratégies d'apprentissage, c'est sa dimension sociale. Il ne s'agit pas seulement de reformuler une connaissance, ce qui se rapproche davantage de la technique Feynman. Il s'agit de la reformuler pour quelqu'un d'autre. Savoir si cette couche sociale ajoute quoi que ce soit à la reformulation est l'une des vraies questions ouvertes de cette littérature, et c'est la section sur les limites, plus bas, qui contient la réponse honnête.
Ce que dit la recherche : études et méta-analyses
Chase et al. (2009) : l'étude originale sur les « agents à enseigner »
Chase et ses collègues ont publié « Teachable Agents and the Protege Effect: Increasing the Effort Towards Learning » dans le Journal of Science Education and Technology. L'étude utilisait Betty's Brain, un système où des élèves enseignaient à un agent virtuel en construisant des cartes conceptuelles sur des sujets scientifiques.
Les élèves qui croyaient enseigner à Betty passaient plus de temps sur les activités d'apprentissage et obtenaient de meilleurs scores que ceux qui utilisaient le même système pour eux-mêmes. Un point de méthode mérite d'être connu : dans la première étude, les deux groupes utilisaient exactement le même logiciel et ne différaient que par ce qu'on leur avait dit, et l'échantillon comptait 62 élèves de quatrième. Une seconde étude a répliqué l'effet sur le temps passé avec 24 élèves de CM2 et a utilisé des protocoles de verbalisation pour en sonder les raisons. C'est un résultat réel sur une base étroite, pas une quantité établie.
Nestojko et al. (2014) : l'attente peut suffire à elle seule
John Nestojko, Dung Bui, Nate Kornell et Elizabeth Bjork ont isolé la variable « attente d'enseigner ». Un groupe étudiait un texte en s'attendant à un test ; l'autre s'attendait à l'enseigner. Personne n'a réellement enseigné.
Dans l'expérience 1, le groupe « attente d'enseigner » a rappelé davantage du texte (d = 0.56), l'a rappelé plus efficacement (d = 0.79), a organisé son rappel plus près de la structure en paragraphes du texte lui-même (d = 0.65) et a mieux réussi un test à réponses courtes. L'expérience 2 est la partie que l'on omet généralement : l'effet principal de l'attente n'y était pas significatif (p = .389), et l'avantage sur les idées principales du texte n'était que marginal (p = .083). Une expérience influente, et une autre qui, pour l'essentiel, ne l'a pas répliquée, dans le même article.
Kobayashi (2019, 2024) : de combien ?
Les études individuelles indiquent une direction ; les méta-analyses en donnent l'ampleur. La synthèse de 2019 de Keiichi Kobayashi, dans Japanese Psychological Research, a regroupé 28 études et trouvé g = 0.35 pour la préparation à enseigner et g = 0.56 pour la préparation suivie d'un enseignement réel, les deux comparés au fait d'étudier sans aucune attente d'enseigner.
Sa méta-analyse de 2024, dans Educational Psychology Review, a regroupé 39 études et rapporté g = 0.27 au total. C'est aussi là qu'apparaît le modérateur le plus important de tout cet article. Enseigner après avoir étudié avec une attente préalable d'enseigner donne g = 0.48. Enseigner après avoir étudié sans cette attente donne g = -0.02, statistiquement indiscernable de rien. C'est la préparation qui travaille, pas la prestation.
Un autre article de 2019 du même auteur, dans Frontiers in Psychology, s'est penché sur l'interactivité, en comparant l'enseignement en face à face à des formats indirects comme un cours enregistré ou une explication écrite. L'attente d'enseigner en face à face se situe à g = 0.50 contre g = 0.27 pour l'indirect, et le fait de passer réellement à l'acte atteint g = 0.84 pour l'enseignement direct et g = 0.48 pour l'indirect. Maniez ce 0.84 avec précaution : il repose sur quatre comparaisons de groupes, et Kobayashi lui-même qualifie les données de « still inadequate and subject to some exceptions » (encore insuffisantes et sujettes à certaines exceptions).
Ribosa et Duran (2022) : l'estimation la plus basse et la plus prudente
Jesus Ribosa et David Duran ont regroupé 23 études et 62 comparaisons dans Educational Research Review et ont abouti à g = 0.17, sans biais de publication détecté. Deux réserves comptent. Dans leurs études, les apprenants produisaient du matériel pédagogique, des cours vidéo, des questions d'examen ou des textes d'instruction, plutôt que d'enseigner à une personne, ce que Kobayashi considère comme une catégorie voisine mais distincte. Et le bénéfice apparaît lorsque ce matériel est comparé à des interventions dont on n'attendait aucun effet, plutôt qu'à d'autres interventions dont on en attendait un. Mesuré face à un groupe témoin véritablement actif, l'avantage n'est pas statistiquement significatif.
Koh, Lee et Lim (2018) : c'est la récupération qui fait le travail
Aloysius Koh, Sze Chi Lee et Stephen Lim ont testé quelle partie de l'enseignement produit le bénéfice, dans Applied Cognitive Psychology. Ils ont comparé quatre groupes : enseigner de mémoire, enseigner en lisant des notes préparées, récupérer la matière sans enseigner, et un témoin arithmétique.
À un test de compréhension une semaine plus tard, enseigner de mémoire et la pratique de récupération pure ont tous deux battu les deux autres conditions, tandis qu'enseigner avec ses notes en main ne faisait pas mieux que le témoin. Fermez le livre, puis expliquez. Si vous enseignez avec la source ouverte, vous sautez la récupération et vous perdez le bénéfice. Notez l'autre moitié du résultat : la simple pratique de récupération, sans aucun enseignement, a fait tout aussi bien.
Les preuves en un coup d'œil
| Synthèse | Études regroupées | Estimation groupée | Le bémol |
|---|---|---|---|
| Kobayashi (2019), Japanese Psych. Research | 28 études | g = 0.35 préparation, 0.56 préparation et enseignement | Biais de publication évalué uniquement par le fail-safe N de Rosenthal, méthode aujourd'hui largement critiquée |
| Kobayashi (2019), Frontiers in Psychology | 44 comparaisons de groupes | g = 0.50 attente directe contre 0.27 indirecte | Le chiffre phare de 0.84 pour l'enseignement direct repose sur k = 4 |
| Kobayashi (2024), Educational Psych. Review | 39 études | g = 0.27 au total ; 0.48 avec attente, -0.02 sans | Hétérogénéité I-carré de 76 à 94 %, donc le chiffre groupé unique ne signifie pas grand-chose |
| Ribosa et Duran (2022), Educational Research Review | 23 études, 62 comparaisons | g = 0.17 | Non significatif face à un témoin actif ; aucun biais de publication détecté |
| Bisra et al. (2018), Educational Psych. Review | 69 tailles d'effet | g = 0.55 pour l'auto-explication | La version solitaire, sans public, obtient au moins autant que la version sociale |
| Chang et al. (2025), Educational Psych. Review | 32 études | g = 0.39 pour les tuteurs en tutorat inter-âges | Aucune modération par le nombre de séances, le type de tuteur ou la discipline |
Limites et modérateurs : quand enseigner n'aide pas
Toute revue sérieuse de cette littérature doit rapporter les échecs, et ils sont assez nombreux pour changer la façon dont vous utiliserez la technique.
L'attente d'enseigner ne survit pas de façon fiable à un délai. Fiorella et Mayer (2013) ont enseigné l'effet Doppler à des étudiants de premier cycle. Ceux qui se préparaient à enseigner ont battu le groupe témoin à un test de compréhension immédiat, mais au test différé d'une semaine, l'attente d'enseigner n'apportait plus aucun bénéfice par rapport au témoin. Leur suivi de 2014 a montré que les étudiants qui avaient réellement enseigné étaient ceux qui réussissaient le mieux en différé.
Renkl (1995) n'a trouvé aucun bénéfice à se préparer à enseigner des exemples résolus de probabilités. Guerrero et Wiley (2021) est l'article le plus solide du camp adverse, avec environ 210 participants par expérience, mais ses effets sont faibles (eta-carré partiel de .02 dans les deux cas) et sa conclusion sur le différé repose sur une interaction non significative. Lachner et ses collègues, dans leur revue du domaine parue dans Educational Psychology Review en 2022, ouvrent l'article en se demandant pourquoi plusieurs études récentes « did not replicate this effect » (n'ont pas répliqué cet effet).
Un public réel n'est pas clairement supérieur à un public imaginé. Cela va à l'encontre du récit intuitif. Wang, Lin et Chen (2021) ont fait passer 597 élèves du secondaire par un croisement entre l'attente d'enseigner et trois conditions : enseignement à un pair, enseignement imaginé, pas d'enseignement. L'enseignement imaginé a amélioré la compréhension immédiate comme différée ; l'enseignement à un pair n'a amélioré que l'immédiate. Les auteurs appellent à la prudence dans un sens comme dans l'autre. L'analyse de l'interactivité de Kobayashi pointe dans la direction opposée. Le tableau n'est pas tranché, ce qui veut dire que quiconque vous affirme qu'un public réel est indispensable va au-delà de ce que montrent les données.
Plusieurs études bien menées ne trouvent rien. Jacob, Lachner et Scheiter (2021) ont comparé, sur 137 participants, le fait d'expliquer à voix haute, d'écrire dans un éditeur de texte, d'écrire dans une messagerie instantanée et un témoin de récupération : aucune différence d'apprentissage. Ce qui différait, en revanche, est instructif. Expliquer a été jugé plus exigeant, plus agréable et plus intéressant que récupérer, pour un résultat identique. L'effort et le plaisir ne sont pas des preuves d'apprentissage. Lachner, Jacob et Hoogerheide (2021) n'ont trouvé aucun effet de l'explication dans une première expérience (N = 147), et dans une seconde (N = 51), l'auto-explication a battu l'explication adressée à un élève fictif.
Les enseignants novices ont tendance à réciter plutôt qu'à expliquer. Roscoe et Chi (2007), dans la Review of Educational Research, ont documenté ce qu'ils appellent un biais de transmission de connaissances : les tuteurs « simply revealed answers, summarized facts, or described procedures with little elaboration » (se contentaient de livrer les réponses, de résumer des faits ou de décrire des procédures, avec peu d'élaboration), et les tuteurs novices jugent mal leur propre compréhension de ce qu'ils enseignent. Le bénéfice cognitif vient de l'élaboration, et le comportement par défaut la saute.
Un effet néfaste documenté, sur les habiletés motrices. Daou et ses collègues (2019) ont fait apprendre le putting au golf à des participants, les uns en s'attendant à l'enseigner, les autres en s'attendant à un test. Le groupe « enseignement » a obtenu de meilleurs résultats sous faible pression, puis est retombé au niveau du groupe « test » sous forte pression. Une réplication en registered report avec 156 participants l'a confirmé. Si vous apprenez quelque chose que vous devrez exécuter sous pression, vous préparer à l'enseigner n'est peut-être pas neutre.
Ce qui ne semble pas compter : l'âge de l'apprenant et la discipline. Ribosa et Duran décrivent l'effet comme apparemment stable à travers les niveaux scolaires et les domaines de contenu, et Chang et al. (2025) n'ont trouvé aucune modération par le nombre de séances, le type de tuteur ou la discipline dans 32 études de tutorat inter-âges.
L'affirmation défendable est donc plus étroite que l'affirmation populaire. S'engager à l'avance à expliquer quelque chose, puis l'expliquer de mémoire, est un bon usage de votre temps d'étude. Ce n'est pas de façon fiable mieux que de simplement vous tester, et la composante sociale travaille moins que le récit ne le laisse croire.
Pourquoi enseigner fonctionne : les mécanismes cognitifs
Enseigner active plusieurs processus à la fois, dont chacun améliore l'apprentissage de façon indépendante. Lequel en est réellement responsable reste débattu.
La pratique de récupération
Koh, Lee et Lim ont proposé l'hypothèse de la pratique de récupération : enseigner aide parce que cela vous oblige à extraire la matière de votre mémoire, et l'enseignement lui-même n'ajoute presque rien. Leur condition « notes en main », qui supprime la récupération tout en conservant l'enseignement, constitue le test propre, et elle n'a montré aucun bénéfice.
Attention à ne pas formuler cela trop fermement. Kobayashi a évalué l'hypothèse dans Frontiers in Psychology en 2022 et a conclu que « the currently available evidence is inadequate to assess the hypothesis » (les données actuellement disponibles ne permettent pas d'évaluer l'hypothèse). La revue de 2022 de Lachner et ses collègues traite la récupération comme l'un des mécanismes candidats parmi plusieurs, et non comme la réponse établie.
Le contrôle métacognitif
Enseigner vous force à évaluer votre propre compréhension en temps réel. À mesure que vous expliquez, vous vérifiez si l'ensemble tient debout. Ce type d'autocontrôle est au cœur de l'apprentissage autorégulé (Dunlosky et Metcalfe, 2009).
Quand vous étudiez pour vous-même, vous pouvez survoler une compréhension floue. Quand vous étudiez pour enseigner, le flou devient un problème qu'il faut résoudre.
La récupération élaborative
Se préparer à enseigner vous amène à reconstruire un raisonnement, à générer des exemples et à bâtir des analogies plutôt qu'à rappeler seulement des faits : c'est la famille d'activités que Fiorella et Mayer (2016) regroupent sous le nom d'apprentissage génératif. Une réserve sur les preuves habituellement citées ici : Karpicke et Blunt (2011) ont montré dans Science que la pratique de récupération battait l'étude élaborative par cartographie conceptuelle, et leur propre conclusion va à l'encontre du cadrage par l'élaboration, puisqu'ils attribuent le gain à des « retrieval-specific mechanisms rather than by elaborative study processes » (des mécanismes propres à la récupération plutôt qu'à des processus d'étude élaborative).
La responsabilité, avec une réserve
Le récit populaire veut que la dépendance d'autrui envers vous change les enjeux, et Biswas, Leelawong, Schwartz, Vye et le Teachable Agents Group de Vanderbilt (2005) ont traité la responsabilité comme un principe de conception des agents à enseigner. Deux réserves honnêtes. L'expression « responsibility effect » (effet de responsabilité) n'apparaît pas dans cet article et n'est pas un terme établi dans cette littérature. Et Chase et al. citent l'observation comme une preuve anecdotique : des élèves développant un sentiment de responsabilité envers leur agent. C'est ainsi qu'elle est entrée dans la littérature.
La version mesurée de cette affirmation est plus faible, et plus intéressante. L'analyse de l'interactivité de Kobayashi est compatible avec l'idée qu'un public réel aide ; l'expérience de Wang, Lin et Chen sur 597 élèves pointe dans l'autre sens. Traitez la responsabilité comme un mécanisme plausible, pas comme un mécanisme démontré.
Le traitement organisationnel
Pour enseigner quelque chose, vous devez décider de ce qui vient en premier, de ce qui dépend de quoi et de ce que l'on peut sauter. Nestojko et al. ont observé une version de ce phénomène : les participants qui s'attendaient à enseigner rappelaient le texte dans un ordre qui suivait sa structure en paragraphes de plus près que le groupe « attente de test ». Notez bien ce que cela est et ce que cela n'est pas. C'est la preuve d'une restructuration vers l'organisation de la source, pas de la construction d'une hiérarchie plus profonde, et une seconde mesure d'organisation, dans la même expérience, n'a montré aucune différence.
La pyramide de l'apprentissage : pourquoi le chiffre de 90 % est un mythe
Vous avez probablement déjà vu la pyramide de l'apprentissage : un triangle bien rangé qui attribue à chaque activité un pourcentage de rétention, avec « enseigner aux autres » couronné à 90 % et la lecture à 10 %. On l'attribue généralement aux National Training Laboratories de Bethel, dans le Maine. Voici la version qui circule :
| Activité d'apprentissage | Taux de rétention revendiqué |
|---|---|
| Cours magistral (écoute passive) | 5 % |
| Lecture | 10 % |
| Audiovisuel | 20 % |
| Démonstration | 30 % |
| Groupe de discussion | 50 % |
| Pratique par l'action | 75 % |
| Enseigner aux autres | 90 % |
Ces chiffres ne sont pas réels. Kåre Letrud et Sigbjørn Hernes ont retracé l'histoire de la pyramide dans Cogent Education (2018) et ont constaté que des versions de ce schéma circulent dans le débat éducatif depuis plus de 160 ans, concluant que ces modèles « did not originate from empirical research » (ne proviennent pas de la recherche empirique). Interrogé directement sur ces chiffres, le NTL a répondu : « Yes, we believe it to be accurate, but no, we no longer have, nor can we find, the original research that supports the numbers » (oui, nous les croyons exacts, mais non, nous ne possédons plus, et ne parvenons pas à retrouver, la recherche originale qui les étaye), cité dans Lalley et Miller (2007). Notez la formulation exacte. Le NTL dit que la recherche est introuvable, pas qu'elle n'a jamais été faite. Dans un cas comme dans l'autre, il n'y a rien à vérifier.
Ces valeurs suspectement rondes et régulièrement espacées sont l'indice révélateur. De vraies données de mémoire ne s'alignent jamais sur 10, 20, 30, 50.
Alors pourquoi montrer la pyramide ? Parce que le classement qu'elle implique, à savoir que la production active bat la consommation passive, est largement étayé, même si les pourcentages relèvent de la fiction (Dunlosky et al., 2013 ; Karpicke et Blunt, 2011). Énoncez le bénéfice sous la forme d'une taille d'effet d'environ 0.17 à 0.56, et non sous la forme de 90 %. Si vous voyez la pyramide citée comme une donnée solide, considérez-la comme un signal sur la fiabilité de la source.
Étudier pour soi ou étudier pour enseigner : une comparaison directe
Qu'est-ce qui change lorsque vous passez de « j'étudie ceci pour moi » à « j'étudie ceci pour l'enseigner à quelqu'un d'autre » ?
| Dimension | Étudier pour soi | Étudier pour enseigner |
|---|---|---|
| Organisation de l'information | Suit vaguement l'ordre de la source | Restructurée ; le rappel suit de plus près la structure propre de la source |
| Focalisation | Couverture large, tente de tout absorber | Focalisation sélective sur les concepts clés et leurs relations |
| Détection des lacunes | Faible ; facile de survoler la confusion | Élevée ; les lacunes deviennent des obstacles à une explication claire |
| Rétention après 1 semaine | Référence | Plus élevée seulement si vous vous êtes engagé à l'avance et expliquez de mémoire |
| Profondeur de compréhension | De superficielle à modérée | Plus profonde, quand l'élaboration a vraiment lieu au lieu d'une simple récitation |
| Motivation | Extrinsèque (réussir le test) | Prosociale (aider quelqu'un d'autre à comprendre) |
| Stratégie d'étude | Relecture, surlignage, prise de notes | Synthèse, génération d'exemples, création d'analogies |
| Correction des erreurs | Souvent différée ou ignorée | Traitée immédiatement ; les erreurs égareraient l'apprenant |
L'état d'esprit « étudier pour enseigner » ne réclame pas plus de temps. Il réclame une intention différente, formée avant de commencer à lire. Cet ordre n'est pas une préférence de style : c'est la différence entre g = 0.48 et g = -0.02 dans les données 2024 de Kobayashi.
L'effet protégé face à la technique Feynman
La technique Feynman et l'effet protégé sont liés mais distincts, et la comparaison est moins déséquilibrée qu'on ne la présente d'habitude.
La technique Feynman vous demande d'expliquer un concept dans un langage simple, comme si vous l'enseigniez à un débutant : choisir un concept, l'expliquer simplement, repérer les lacunes, simplifier encore. Telle qu'on la pratique normalement, c'est un exercice en solo, sans personne réelle qui dépende du résultat.
L'effet protégé ajoute la couche sociale. Mais voici le résultat qui devrait tempérer la hiérarchie habituelle : l'auto-explication, la cousine solitaire, se situe à g = 0.55 sur 69 tailles d'effet (Bisra et al., 2018), soit le haut de la fourchette de l'apprentissage par l'enseignement, et au-dessus de la plupart de ses estimations. Le public ajoute peut-être moins que le cadrage ne le suggère.
| Caractéristique | Technique Feynman | Effet protégé |
|---|---|---|
| Public | Imaginé ou soi-même | Personne réelle ou public |
| Responsabilité | Interne uniquement | Sociale ; quelqu'un dépend de votre exactitude |
| Mécanisme principal | Auto-explication, détection des lacunes | Récupération et contrôle métacognitif |
| Idéal pour | La compréhension profonde de concepts isolés | Une motivation durable et une raison d'aller au bout |
| Base de preuves | g = 0.55 pour l'auto-explication | g = 0.17 à 0.56, avec l'attente comme modérateur clé |
| Composante sociale | Facultative | Présente, mais sa valeur ajoutée est contestée |
La lecture pratique : faites les deux, et ne présumez pas que c'est le public qui agit. Les deux choses que ces méthodes partagent, la récupération en mémoire et l'élaboration forcée, sont les parties les mieux étayées. Un public réel se comprend surtout comme un dispositif d'engagement, ce qui n'est pas rien, parce qu'apprendre en public est précisément ce qui vous fait passer à l'explication.
L'effet protégé fonctionne-t-il quand votre élève est une IA ?
Puisque les agents à enseigner d'origine étaient scriptés, une question s'impose : un grand modèle de langage fait-il un meilleur protégé ? Les données de 2024 à 2026 répondent : pas encore, et pour une raison précise.
Le test le plus propre est un résultat nul. Xu, Zhang, Tang et Lee (2026) ont réparti au hasard 96 participants entre quatre conditions : expliquer à un LLM jouant le rôle d'un élève, d'un pair ou d'un contradicteur, ou bien un groupe témoin quasi passif. Au post-test, aucune condition n'a battu le témoin (F(3,91) = 1.54, p = .21). L'effort a nettement augmenté : le groupe « élève » a écrit 353.8 mots en moyenne, contre 121.3 pour le témoin. Simplement, cela ne s'est pas converti en connaissances. Le groupe « élève » a aussi déclaré la plus forte pression des trois rôles d'agent, 4.02 contre 2.49 pour le pair et 2.93 pour le contradicteur, et pas mieux que le témoin passif à 4.06. C'est l'inverse du tampon protecteur pour l'ego décrit par Chase et al. (2009), où enseigner à un agent était censé mettre l'apprenant à l'abri de la morsure de l'erreur.
Un article très cité nomme le défaut et ne mesure jamais l'apprentissage. Jin, Lee, Shin et Kim (CHI 2024) ont construit TeachYou et son élève-LLM AlgoBo, et rapportent que « LLMs' expansive knowledge as tutees discourages learners from teaching » (la connaissance étendue des LLM en tant qu'élèves décourage les apprenants d'enseigner). Ils nomment ce mode de défaillance le sous-enseignement : les apprenants cessent d'essayer parce que l'agent sait déjà. L'article note comme limite qu'aucun test avant/après n'a été mené, et son intervention métacognitive n'a produit aucun gain significatif.
Des résultats positifs existent, et chacun a sa contrepartie. Chen, Wei, Le et Zhang (2025) ont constaté que les étudiants ayant enseigné à un agent ChatGPT obtenaient de meilleurs scores à un test de connaissances en programmation (n = 41), mais la correction du code, elle, ne différait pas significativement, et l'explication des auteurs eux-mêmes est parlante : ChatGPT a tendance à produire du code correct, ce qui supprime l'entraînement au débogage. Le plus vaste déploiement, l'étude d'un semestre menée par Wang et ses collègues à l'EPFL (2026) sur 453 étudiants analysés et 3809 dialogues, a trouvé que le groupe « enseignement » avait besoin d'environ 4.9 % de tentatives de quiz en moins qu'une condition de lecture de référence. Notez la nature du critère : des tentatives de quiz, pas un test de connaissances, et cela a coûté 14.4 minutes de travail contre 3.4. Environ un quart des dialogues contenaient du contenu externe collé, ce qui prédisait de moins bons résultats.
La crédibilité n'est pas l'obstacle. Rogers et ses collègues (2025) ont fait passer 119 étudiants par quatre expériences, dont l'une comparait un élève-LLM à un complice humain faisant semblant d'être novice. L'intelligence perçue ne différait pas significativement. Les étudiants croient au numéro.
Le modèle refuse de rester novice. C'est là le véritable blocage. Song, Guo et Lin (2026) le disent sans détour : même invités à jouer les novices, les LLM « can still produce expert-level explanations » (peuvent tout de même produire des explications de niveau expert), dérivant au-delà du niveau de connaissance visé. Pire, ils capitulent. Do, Sonkar et Sachan (2026, une prépublication) ont mesuré la fréquence à laquelle des élèves simulés abandonnent une conception erronée, et ont trouvé que le plus petit modèle testé, Qwen3-4B, changeait sa réponse dans 92 % des cas face à un retour qui ne dit rien de plus que « you're wrong » (tu as tort). Un élève qui approuve tout ce que vous dites ne peut pas vous montrer que votre explication a échoué, et ce signal d'échec est précisément l'intérêt de l'exercice.
Il existe aussi un trou identifiable dans cette littérature : personne n'a répliqué la manipulation originale de la responsabilité avec un élève-LLM. Les articles sur les agents à enseigner fondés sur des LLM s'appuient sur Chase et al. pour le mécanisme sans jamais le tester.
Qu'en faire. Utilisez un LLM comme partenaire de répétition plutôt que comme protégé. Expliquez de mémoire, source fermée, puisque c'est la partie la mieux étayée, puis demandez-lui de trouver les lacunes de ce que vous venez de dire. Donnez-lui pour consigne de tenir une position erronée tant que vous ne l'avez pas véritablement corrigée, et considérez un accord trop facile comme le signe que l'exercice ne fonctionne pas. Si vous voulez l'effet protégé proprement dit, les données désignent toujours une personne.
Cinq façons d'« enseigner » sans être enseignant
Vous n'avez besoin ni d'une salle de classe ni d'élèves pour activer l'effet protégé. Ce dont vous avez besoin, au vu de tout ce qui précède, c'est de décider avant de lire que vous allez expliquer ceci à quelqu'un, puis de l'expliquer sans regarder.
1. Rendez vos surlignages publics
Quand vous surlignez un passage avec le surligneur web de Glasp et ajoutez une note expliquant pourquoi il compte, vous accomplissez un micro-acte d'enseignement. Vos surlignages apparaissent sur votre profil public, où d'autres apprenants peuvent les trouver. Cette visibilité fait passer votre traitement de « ceci m'intéresse » à « ceci doit être assez clair pour quelqu'un d'autre ».
L'ordre compte plus que l'outil. Décidez que vous annotez pour un lecteur avant d'attaquer l'article, pas après. Avec le temps, la collection devient une ressource d'enseignement : une liste de lecture organisée, avec du contexte, que d'autres peuvent suivre.
2. Rédigez des articles de blog et des synthèses
Écrire une synthèse pour un public impose le même travail d'organisation et d'élaboration que l'enseignement formel. Vous devez décider de ce qui est essentiel, construire un enchaînement logique et exprimer les idées avec vos propres mots. Le public n'a pas besoin d'être large.
Utiliser YouTube Summary pour extraire les points clés de cours et de conférences vous donne la matière brute. L'apprentissage, lui, se produit quand vous fermez l'outil et rédigez l'explication vous-même.
3. Rejoignez ou créez des groupes d'étude
Les groupes d'étude avec rotation d'enseignement activent l'effet de façon systématique ; ceux où chacun lit en silence, non. Attribuez des concepts précis à l'avance, pour que chaque membre sache plusieurs jours d'avance qu'il est responsable de l'un d'eux. Faites en sorte que chacun enseigne sans notes pendant que les autres posent des questions. Ces questions font un vrai travail, parce qu'elles forcent l'enseignant à élaborer au lieu de réciter.
4. Entraînez-vous à expliquer à l'IA, avec des attentes réalistes
Le chat IA de Glasp vous permet de répéter une explication sans recruter un humain. Soyez lucide sur ce que cela vous apporte. Comme l'expose la section ci-dessus, les données randomisées sur l'enseignement à un élève-LLM sont pour l'instant nulles, et ce que vous pouvez en tirer de façon fiable, c'est la récupération et la détection des lacunes, pas le mécanisme social.
Utilisez-le donc dans ce sens. Fermez la source, expliquez le concept de mémoire, puis demandez à l'IA d'identifier ce que vous avez omis, ce que vous avez dit de faux, et ce qu'un lecteur perdu demanderait encore. Résistez quand elle vous donne raison trop vite. Vous vous en servez comme examinateur, pas comme élève.
5. Partagez sur des plateformes communautaires
Publier votre apprentissage sur le fil communautaire place votre compréhension devant de vraies personnes. Quand quelqu'un commente, pose une question ou propose une autre lecture, vous obtenez un retour que l'étude en solo ne peut pas produire. Savoir si un public réel ajoute quelque chose au-delà de l'explication elle-même n'est pas tranché, comme le dit la section sur les limites. Ce qu'il fait de façon fiable, c'est vous faire aller au bout.
Apprendre en public : l'effet protégé à grande échelle
Apprendre en public, c'est l'effet protégé appliqué à l'ensemble de votre pratique. Au lieu d'étudier en privé et d'enseigner à l'occasion, vous partagez ce que vous lisez par défaut, ce qui fait passer l'attente d'enseigner du statut de chose à invoquer volontairement à celui de condition permanente de votre lecture.
C'est l'argument le plus fort en sa faveur. Le modérateur le mieux étayé de cette littérature, c'est d'anticiper un public avant d'étudier, et une habitude de partage signifie que vous n'étudiez jamais sans public.
Glasp a été conçu autour de cela. Quand vous exportez vos surlignages dans un article de blog, que vous les partagez ou que vous les laissez visibles sur votre profil, l'annotation doit avoir du sens pour quelqu'un qui n'était pas là. Associez cela au rappel actif et vous exercez les deux mécanismes les mieux étayés.
Les bénéfices dépassent la rétention individuelle. Votre apprentissage public devient une contribution à l'intelligence collective. D'autres s'appuient sur vos surlignages ; vous découvrez de nouvelles perspectives grâce aux leurs.
Foire aux questions
Qu'est-ce que l'effet protégé en termes simples ?
L'effet protégé est le constat selon lequel vous apprenez mieux une matière lorsque vous vous préparez à l'enseigner à quelqu'un d'autre que lorsque vous l'étudiez pour vous seul. Se préparer à enseigner vous pousse à organiser la matière, à repérer vos propres lacunes et à la récupérer en mémoire. Nestojko et al. (2014) ont montré que le simple fait de s'attendre à enseigner, sans jamais enseigner, améliorait le rappel dans une expérience, même si une seconde expérience du même article n'a trouvé aucun effet global.
De combien enseigner aux autres améliore-t-il l'apprentissage ?
La réponse honnête est une fourchette de tailles d'effet, pas un pourcentage. La méta-analyse 2019 de Kobayashi, sur 28 études, a trouvé g = 0.35 pour la préparation à enseigner et g = 0.56 pour la préparation suivie d'un enseignement. Sa méta-analyse 2024, sur 39 études, a trouvé g = 0.27 au total. La synthèse la plus prudente, Ribosa et Duran (2022), a trouvé g = 0.17 et aucun avantage significatif face à un témoin actif. Ignorez le chiffre de « 90 % de rétention » issu de la pyramide de l'apprentissage : Letrud et Hernes (2018) ont montré qu'il n'a aucune source empirique.
Quel facteur détermine le plus si cela fonctionne ?
Le facteur décisif, c'est de savoir à l'avance que vous allez enseigner. Dans la méta-analyse 2024 de Kobayashi, enseigner après avoir étudié avec une attente préalable d'enseigner donne g = 0.48 ; enseigner après avoir étudié sans cette attente donne g = -0.02. Décidez avant d'ouvrir la matière, pas après.
Enseigner vaut-il mieux que simplement se tester ?
Souvent non, et c'est le résultat le moins rapporté de cette littérature. Koh, Lee et Lim (2018) ont constaté que la pratique de récupération pure faisait jeu égal avec l'enseignement de mémoire à un test de compréhension une semaine plus tard, et que les deux battaient l'enseignement avec les notes en main. L'auto-explication se situe à g = 0.55 (Bisra et al., 2018), au-dessus de la plupart des estimations de l'apprentissage par l'enseignement. Si votre seul objectif est la rétention, le rappel actif est la voie la moins coûteuse. Enseigner ajoute de la motivation, un public et une raison d'aller au bout.
En quoi l'effet protégé diffère-t-il de la technique Feynman ?
La technique Feynman consiste à expliquer un concept dans un langage simple pour repérer ses lacunes de connaissance, généralement seul. L'effet protégé y ajoute un public réel ou anticipé. Les mécanismes qu'ils partagent, la récupération et l'élaboration, sont les mieux étayés ; la part que le public lui-même y prend reste contestée, Wang, Lin et Chen (2021) ayant trouvé que l'enseignement imaginé améliorait la compréhension différée alors que l'enseignement réel à un pair ne le faisait pas.
L'effet protégé fonctionne-t-il si vous enseignez à une IA ?
Au vu des données actuelles, pas de façon fiable. Le test randomisé le plus propre (Xu et al., 2026, N = 96) n'a trouvé aucun avantage d'apprentissage à expliquer à un élève-LLM par rapport à un témoin quasi passif, alors même que les participants ont manifestement travaillé plus. La raison principale est que les modèles de langage refusent de rester novices : ils dérivent vers des explications de niveau expert et acceptent n'importe quelle correction que vous proposez. Servez-vous d'une IA pour vous interroger sur une explication que vous avez donnée de mémoire, ce qui est la partie étayée par des données, plutôt que comme d'un élève à qui vous enseignez.
Faut-il être expert pour tirer profit du fait d'enseigner aux autres ?
Non, et il existe un vrai risque dans l'autre sens. Chase et al. (2009) ont trouvé des gains d'apprentissage chez des collégiens qui n'étaient experts en rien. Mais Roscoe et Chi (2007) ont documenté le fait que les tuteurs novices retombent par défaut sur la récitation de faits, avec peu d'élaboration, et jugent mal leur propre compréhension. Le bénéfice réside dans l'élaboration : forcez-vous donc à expliquer le pourquoi, pas seulement le quoi.
Quel est le lien entre l'effet protégé et le rappel actif ?
Enseigner de mémoire est une forme de rappel actif : vous récupérez, vous élaborez et vous surveillez votre exactitude. Ce recouvrement constitue probablement l'essentiel de l'effet. L'hypothèse de la pratique de récupération de Koh, Lee et Lim le dit explicitement, même si la revue de 2022 de Kobayashi conclut que les données ne sont pas encore assez solides pour trancher.
Conclusion : ce que les preuves soutiennent réellement
L'apprentissage par l'enseignement fonctionne, et pour des raisons moins mystiques que ne le prétend la version populaire. Regroupé sur les bonnes études, le gain est modeste à modéré, quelque part entre g = 0.17 et g = 0.56, et il dépend presque entièrement du fait d'avoir décidé à l'avance que vous devrez expliquer cela à quelqu'un. Enseignez à partir de vos notes et vous n'obtenez rien. Apprenez que vous devrez enseigner une fois l'étude terminée et vous n'obtenez rien. Engagez-vous d'abord, puis expliquez de mémoire, et vous obtenez un effet réel, qui recouvre largement la simple pratique de récupération.
C'est une affirmation plus étroite que « enseigner aux autres vous donne 90 % de rétention », et elle est plus utile, parce qu'elle vous dit exactement quelle partie garder.
La version pratique tient en peu de mots. Avant de lire quelque chose, décidez à qui vous allez l'expliquer. Surlignez avec le surligneur web de Glasp comme si vous annotiez pour cette personne. Fermez l'onglet et expliquez de mémoire, à un groupe d'étude, à un lectorat de blog ou sur le fil communautaire. Servez-vous du chat IA de Glasp pour interroger l'explication que vous venez de donner, plutôt que pour enseigner à un élève qui connaît déjà la réponse. Transformez un YouTube Summary en votre propre argumentaire écrit au lieu d'une transcription.
L'engagement vient en premier. Tout ce que la recherche soutient en découle.
Références
Bisra, K., Liu, Q., Nesbit, J. C., Salimi, F., and Winne, P. H. (2018). Inducing self-explanation: A meta-analysis. Educational Psychology Review, 30, 703-725. doi:10.1007/s10648-018-9434-x
Biswas, G., Leelawong, K., Schwartz, D., Vye, N., and The Teachable Agents Group at Vanderbilt (2005). Learning by teaching: A new agent paradigm for educational software. Applied Artificial Intelligence, 19(3-4), 363-392. doi:10.1080/08839510590910200
Chang, A., Mauer, E., Wanzek, J., Kim, S., Scammacca, N., and Swanson, E. (2025). Examining the academic effects of cross-age tutoring: A meta-analysis. Educational Psychology Review, 37. doi:10.1007/s10648-025-09997-z
Chase, C. C., Chin, D. B., Oppezzo, M. A., and Schwartz, D. L. (2009). Teachable agents and the protege effect: Increasing the effort towards learning. Journal of Science Education and Technology, 18(4), 334-352. doi:10.1007/s10956-009-9180-4
Chen, A., Wei, Y., Le, H., and Zhang, Y. (2025). Learning by teaching with ChatGPT: The effect of teachable ChatGPT agent on programming education. British Journal of Educational Technology, 57(1), 163-184. doi:10.1111/bjet.70001
Cabral, D. A. R., Daou, M., Bacelar, M. F. B., Parma, J. O., and Miller, M. W. (2023). Does learning a skill with the expectation of teaching it impair the skill's execution under psychological pressure if the skill is learned with analogy instructions? Psychology of Sport and Exercise, 66, 102323. doi:10.1016/j.psychsport.2022.102323
Daou, M., Hutchison, Z. J., Bacelar, M. F. B., Rhoads, J. A., Lohse, K. R., and Miller, M. W. (2019). Learning a skill with the expectation of teaching it impairs the skill's execution under psychological pressure. Journal of Experimental Psychology: Applied, 25(2), 219-229. doi:10.1037/xap0000191
Do, H., Sonkar, S., and Sachan, M. (2026). Simulating students or sycophantic problem solving? On misconception faithfulness of LLM simulators. arXiv:2605.12748 [preprint].
Dunlosky, J., and Metcalfe, J. (2009). Metacognition. Thousand Oaks, CA: SAGE Publications.
Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., and Willingham, D. T. (2013). Improving students' learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public Interest, 14(1), 4-58. doi:10.1177/1529100612453266
Fiorella, L., and Mayer, R. E. (2013). The relative benefits of learning by teaching and teaching expectancy. Contemporary Educational Psychology, 38(4), 281-288. doi:10.1016/j.cedpsych.2013.06.001
Fiorella, L., and Mayer, R. E. (2014). Role of expectations and explanations in learning by teaching. Contemporary Educational Psychology, 39(2), 75-85. doi:10.1016/j.cedpsych.2014.01.001
Fiorella, L., and Mayer, R. E. (2016). Eight ways to promote generative learning. Educational Psychology Review, 28(4), 717-741. doi:10.1007/s10648-015-9348-9
Guerrero, T. A., and Wiley, J. (2021). Expecting to teach affects learning during study of expository texts. Journal of Educational Psychology. doi:10.1037/edu0000657
Jacob, L., Lachner, A., and Scheiter, K. (2021). Does increasing social presence enhance the effectiveness of writing explanations? PLOS ONE, 16(4), e0250406. doi:10.1371/journal.pone.0250406
Jin, H., Lee, S., Shin, H., and Kim, J. (2024). Teach AI how to code: Using large language models as teachable agents for programming education. Proceedings of CHI 2024. doi:10.1145/3613904.3642349
Karpicke, J. D., and Blunt, J. R. (2011). Retrieval practice produces more learning than elaborative studying with concept mapping. Science, 331(6018), 772-775. doi:10.1126/science.1199327
Kobayashi, K. (2019). Interactivity: A potential determinant of learning by preparing to teach and teaching. Frontiers in Psychology, 9, 2755. doi:10.3389/fpsyg.2018.02755
Kobayashi, K. (2019). Learning by preparing-to-teach and teaching: A meta-analysis. Japanese Psychological Research, 61(3), 192-203. doi:10.1111/jpr.12221
Kobayashi, K. (2022). The retrieval practice hypothesis in research on learning by teaching: Current status and challenges. Frontiers in Psychology, 13, 842668. doi:10.3389/fpsyg.2022.842668
Kobayashi, K. (2024). Interactive learning effects of preparing to teach and teaching: A meta-analytic approach. Educational Psychology Review, 36(1), Article 26. doi:10.1007/s10648-024-09871-4
Koh, A. W. L., Lee, S. C., and Lim, S. W. H. (2018). The learning benefits of teaching: A retrieval practice hypothesis. Applied Cognitive Psychology, 32(3), 401-410. doi:10.1002/acp.3410
Lachner, A., Hoogerheide, V., van Gog, T., and Renkl, A. (2022). Learning-by-teaching without audience presence or interaction: When and why does it work? Educational Psychology Review, 34(2), 575-607. doi:10.1007/s10648-021-09643-4
Lachner, A., Jacob, L., and Hoogerheide, V. (2021). Learning by writing explanations: Is explaining to a fictitious student more effective than self-explaining? Learning and Instruction, 74, 101438. doi:10.1016/j.learninstruc.2020.101438
Lalley, J. P., and Miller, R. H. (2007). The learning pyramid: Does it point teachers in the right direction? Education, 128(1), 64-79.
Letrud, K., and Hernes, S. (2018). Excavating the origins of the learning pyramid myths. Cogent Education, 5(1), 1518638. doi:10.1080/2331186X.2018.1518638
Nestojko, J. F., Bui, D. C., Kornell, N., and Bjork, E. L. (2014). Expecting to teach enhances learning and organization of knowledge in free recall of text passages. Memory and Cognition, 42(7), 1038-1048. doi:10.3758/s13421-014-0416-z
Renkl, A. (1995). Learning for later teaching: An exploration of mediational links between teaching expectancy and learning results. Learning and Instruction, 5(1), 21-36. doi:10.1016/0959-4752(94)00015-H
Ribosa, J., and Duran, D. (2022). Do students learn what they teach when generating teaching materials for others? A meta-analysis through the lens of learning by teaching. Educational Research Review, 37, 100475. doi:10.1016/j.edurev.2022.100475
Rogers, K., Davis, M., Maharana, M., Etheredge, P., and Chernova, S. (2025). Playing dumb to get smart: Creating and evaluating an LLM-based teachable agent within university computer science classes. Proceedings of CHI 2025. doi:10.1145/3706598.3713644
Roscoe, R. D., and Chi, M. T. H. (2007). Understanding tutor learning: Knowledge-building and knowledge-telling in peer tutors' explanations and questions. Review of Educational Research, 77(4), 534-574. doi:10.3102/0034654307309920
Song, J., Guo, Z., and Lin, J. (2026). Simulating novice students using machine unlearning and relearning in large language models. Proceedings of AIED 2026, Lecture Notes in Computer Science. doi:10.1007/978-3-032-29744-0_42
Wang, Y., Lin, L., and Chen, O. (2021). The benefits of teaching on comprehension, motivation, and perceived difficulty: Empirical evidence of teaching expectancy and the interactivity of teaching. British Journal of Educational Psychology, 91(4), 1275-1290. doi:10.1111/bjep.12416
Wang, C., Petrie, C., Stouras, M., Ettlin, N., George, A., Mejia-Domenzain, P., Swamy, V., Kaeser, T., and Svensson, O. (2026). Turning 500+ students into teachers: A semester-long study of an AI teachable agent in an undergraduate algorithms course. Proceedings of the Thirteenth ACM Conference on Learning @ Scale, 350-360. doi:10.1145/3774398.3811623
Xu, Z., Zhang, J., Tang, A., and Lee, Y.-C. (2026). Who you explain to matters: Learning by explaining to conversational agents with different pedagogical roles. Proceedings of CHI 2026. doi:10.1145/3772318.3790298
