L'IA en éducation

Cette page est traduite en français, mais la base de connaissances elle-même, y compris ses pages d'articles, de concepts et de FAQ, est rédigée en anglais. Lire cette page en anglais

Traduction automatique de la page anglaise, non encore relue par une personne de langue maternelle.

L'IA en éducation (AIED) : le vaste champ interdisciplinaire qui applique l'intelligence artificielle à l'enseignement et à l'apprentissage, et qui étudie sa conception, ses usages, son évaluation et ses conséquences. En tant que concept parapluie de la base de connaissances, l'IA en éducation englobe l'IA pour l'éducation (utiliser l'IA pour améliorer l'enseignement et l'évaluation) et l'éducation à l'IA (développer la littératie en IA et une compréhension critique). Elle se situe à l'intersection des technologies éducatives, des sciences de l'apprentissage (le champ de recherche empirique qui demande si l'apprenant a changé, et non seulement si un outil a fonctionné), de l'informatique, de l'politique éducative, de l'éthique et de l'équité. Cette page est une introduction au domaine et une carte de tous les concepts que couvre la base de connaissances.

Questions à examiner

« L'IA en éducation » recouvre deux directions : l'IA pour l'éducation (utiliser l'IA pour améliorer l'enseignement) et l'éducation à l'IA (développer la littératie et la compréhension critique). Laquelle vous est la plus familière, et laquelle avez-vous tendance à négliger ?
L'histoire du domaine est présentée comme une tension récurrente entre le contrôle et l'autonomie de l'apprenant. En observant l'adoption des outils d'IA, où retrouvez-vous cette même tension aujourd'hui ?
L'IA en éducation se situe à l'intersection de la technologie, des sciences de l'apprentissage, des politiques, de l'éthique et de l'équité. Lesquelles de ces perspectives appliquez-vous naturellement pour évaluer un outil d'IA, et lesquelles oubliez-vous le plus facilement ?
Cette base de connaissances organise le domaine en fils conducteurs : pédagogie, théories de l'apprentissage, technologies, disciplines, évaluation, rétroaction, acteurs et gouvernance. Si vous cartographiiez votre propre usage de l'IA, dans quel fil vous situeriez-vous ?
L'AIED inclut l'enseignement d'un usage critique de l'IA comme objectif en soi. Dans votre contexte, l'IA est-elle plutôt une matière à enseigner ou un outil à utiliser, et cet équilibre correspond-il à ce dont les apprenants ont réellement besoin ?
Les étudiants apprennent peut-être la littératie en IA en l'utilisant de façon critique, et pas seulement en apprenant à son sujet. Comment un usage critique et concret peut-il construire une compréhension qu'un enseignement passif ne permet pas d'atteindre ?

Introduction

L'IA en éducation est le parapluie que toutes les autres pages de concepts définissent ensemble. La base de connaissances organise le domaine selon les grands fils conducteurs ci-dessous, chacun renvoyant aux pages de concepts pertinentes.

Dans une perspective historique de référence, Mishra et ses collègues retracent l'AIED de la cybernétique et de la conférence de Dartmouth de 1956 jusqu'aux tuteurs cognitifs et au constructionnisme de Papert, en soutenant que les débats actuels sur l'IA générative rejouent la tension fondatrice du domaine entre le contrôle et l'autonomie.

Comment la base de connaissances est organisée : les pages parapluies

La couverture conceptuelle de la base de connaissances s'appuie sur plusieurs pages parapluies qui regroupent des concepts apparentés en fils conducteurs navigables. Ce sont de bons points d'entrée pour explorer le domaine :

L'IA en éducation : cette page, la vue d'ensemble du domaine et la carte de toute sa couverture.
Littératie en IA : le parapluie pour comprendre, utiliser et évaluer l'IA de façon critique, englobant l'ingénierie des invites, la pensée critique, l'éthique de l'IA et la réduction des usages abusifs. À ses côtés, l'collaboration humain-IA et l'IA agentique cadrent la manière dont les personnes et l'IA travaillent ensemble.
Pédagogies et stratégies d'enseignement : le parapluie de la manière dont l'enseignement se déroule, soit les méthodes et stratégies d'enseignement dans lesquelles l'IA opère (apprentissage actif, apprentissage collaboratif, apprentissage par projets, apprentissage par problèmes, apprentissage expérientiel, apprentissage par le jeu, méthode socratique, étayage, et d'autres), y compris le contexte distinct de l'enseignement et de l'apprentissage en ligne.
Théories de l'apprentissage : le parapluie de la manière dont l'apprentissage se produit, soit les cadres théoriques (behaviorisme, cognitivisme, constructivisme, socioculturel, cognitif, motivationnel) qui façonnent la conception et l'évaluation de l'IA.
Technologies : le parapluie de la couche technique, soit les systèmes d'IA (grands modèles de langue, IA générative, IA multimodale, robotique) et les techniques (génération augmentée par la recherche documentaire, ingénierie des invites, apprentissage par renforcement, entraînement de modèles, orchestration agentique) qui font fonctionner l'AIED. La famille de la modélisation de l'apprenant (traçage des connaissances, diagnostic cognitif, simulation d'étudiants, et les systèmes qui les exploitent, comme le tutorat intelligent, l'apprentissage adaptatif et l'apprentissage personnalisé) est regroupée sous le parapluie Modélisation de l'apprenant et enseignement adaptatif, au sein de ce fil technique.
L'IA dans les disciplines : le parapluie de la manière dont l'IA s'applique à travers les domaines (mathématiques, physique, apprentissage des langues, informatique, écriture, STIM, ingénierie, gestion, formation des enseignants, professions de santé, et d'autres), et, au-delà des matières scolaires, le fil professionnel et appliqué qui évalue une pratique démontrée plutôt que l'exactitude d'une réponse (soins infirmiers, technologies de l'information, enseignement et formation professionnels, enseignement du design), ainsi que les niveaux d'enseignement (primaire et secondaire, enseignement supérieur, apprentissage des adultes).
Évaluation (avec ses fils formatif, sommatif, authentique et automatisé) : le parapluie de la manière dont l'IA évalue les apprenants et reconfigure la validité et l'intégrité de l'évaluation.
Rétroaction : le parapluie de la manière dont la rétroaction est produite, transmise et utilisée, soit la boucle de rétroaction, la qualité de la rétroaction, la littératie de la rétroaction et ses contextes d'évaluation (formatif, par les pairs, automatisé).
Les acteurs de l'éducation à l'IA : le parapluie des personnes concernées, soit les apprenants, les enseignants, les concepteurs pédagogiques, les administrateurs et les décideurs de politiques.
Évaluation d'une intervention d'IA en éducation et méthodes de recherche : les parapluies de la manière dont nous savons si l'IA fonctionne, soit les études d'efficacité, les repères de référence, les essais contrôlés randomisés, la méta-analyse et les gains d'apprentissage comme mesure de résultat centrale. Les lecteurs devraient aussi peser les limites transversales de ces données probantes.
Gouvernance de l'IA, politique d'IA en éducation et équité : les parapluies de la couche institutionnelle, réglementaire et d'équité (voir aussi la réglementation et la vie privée).

Ces pages parapluies sont liées tout au long des sections ci-dessous ; chaque fil présenté ci-dessous nomme à la fois son parapluie et les concepts qui le composent.

Les deux dimensions de l'IA en éducation

La recherche sur l'IA en éducation couvre deux directions interconnectées :

L'IA pour l'éducation : utiliser des systèmes d'IA pour améliorer l'enseignement, l'apprentissage, l'évaluation et l'administration. Cela comprend le tutorat par IA, l'apprentissage adaptatif, l'apprentissage personnalisé, la notation automatisée de dissertations, la génération automatisée de questions, l'évaluation automatisée, l'évaluation formative, l'analyse de l'apprentissage et les boucles de rétroaction.
L'éducation à l'IA : apprendre aux apprenants et aux éducateurs à comprendre, utiliser et évaluer l'IA de façon critique. Le cœur en est la littératie en IA, soutenue par l'ingénierie des invites, la pensée critique, l'éthique de l'IA, l'éducation à la gouvernance, la littératie numérique et la réduction des usages abusifs.

Ces deux dimensions ne sont pas séparées : bien utiliser l'IA suppose de la comprendre, et l'enseignement au sujet de l'IA s'enrichit de son usage. Cette collaboration humain-IA est un thème central.

Fondements de l'IA en éducation

Les concepts transversaux et fondateurs du domaine ancrent la couverture de la base de connaissances et apparaissent en premier dans la barre latérale. Ils s'ouvrent sur un groupe Essentiels, soit les concepts par lesquels tout lecteur devrait commencer : le parapluie lui-même, les idées fausses sur l'IA, la littératie en IA, l'IA agentique, le délestage cognitif, la manière dont l'usage de l'IA est présenté aux étudiants, la réduction des usages abusifs de l'IA, l'intégrité académique, le rôle d'enseignant, la conception pédagogique et le développement pédagogique du corps enseignant. Le fil domaine couvre ensuite l'histoire du domaine, les limites transversales du corpus de données probantes, sa philosophie, la carte des théories et cadres d'analyse et le développement théorique. Les thèmes transversaux (collaboration humain-IA, autonomie de l'apprenant, identité de l'apprenant, pensée design, conception de programmes, pensée critique et pensée informatique) traversent tous les fils, parce que les modèles mentaux inexacts que les personnes entretiennent à propos de l'IA sont en amont des usages abusifs et d'une confiance mal calibrée.

Apprentissage et enseignement

La manière dont l'IA soutient l'enseignement et l'apprentissage est le cœur du domaine. Les concepts clés incluent :

Pédagogies centrales : les pédagogies et stratégies d'enseignement, le parapluie de la couverture des méthodes d'enseignement de la base de connaissances, avec l'apprentissage actif, l'apprentissage collaboratif, le travail en groupe, l'apprentissage par projets, l'apprentissage par problèmes, l'échec productif, l'apprentissage par l'enquête, l'apprentissage expérientiel, l'apprentissage par le jeu, l'apprendre en enseignant, l'étayage, la méthode socratique, la pédagogie critique, les partenariats pédagogiques, la narration en éducation, la conception pédagogique, l'enseignement et apprentissage en ligne et la vidéo en éducation.
Théories et processus de l'apprentissage : le parapluie des théories de l'apprentissage (behaviorisme, cognitivisme, constructivisme, socioculturel, cognition distribuée, apprentissage situé, apprentissage incarné, communauté d'enquête) côtoie des processus centrés sur l'apprenant comme l'apprentissage autorégulé, la théorie de l'autodétermination, la motivation, le sentiment d'efficacité personnelle, l'apprentissage autodirigé, la métacognition, les difficultés souhaitables, le transfert des apprentissages, les connaissances préalables, l'engagement cognitif ICAP, le texte de réfutation, la récupération, espacement et entrelacement et la théorie de l'activité.
Engagement et expérience de l'apprenant : l'engagement étudiant, la recherche d'aide, l'apprentissage socioémotionnel, le bien-être, la créativité, la résolution de problèmes, l'apprentissage par la maîtrise et l'interaction étudiant-IA façonnent la manière dont les apprenants rencontrent réellement l'IA et sont affectés par elle.

Technologies et techniques

La page Technologies est le parapluie de la couche technique :

Modèles et techniques : l'IA générative, les grands modèles de langue, la génération augmentée par la recherche documentaire, les modèles multimodaux, le traitement automatique des langues en éducation, l'apprentissage par renforcement, les graphes de connaissances, la robotique en éducation, l'IA conversationnelle, la simulation et l'entraînement de grands modèles de langue pédagogiques. Les méthodes sous-jacentes comptent elles aussi : l'apprentissage automatique est le lieu où ces systèmes se construisent, les technologies de la parole et de la voix portent le tutorat oral et la pratique linguistique, la visualisation couvre les tableaux de bord et l'analytique visuelle destinés aux apprenants et aux enseignants, et la réalité virtuelle et augmentée héberge une pratique immersive dont la couche visuelle peut désormais être générée par le modèle. Les styles d'interaction plus récents y ont leur place eux aussi, au premier rang desquels le codage intuitif, le flux de travail piloté en langage naturel dans lequel l'utilisateur spécifie un programme en écrivant une invite à un grand modèle de langue et juge le comportement obtenu plutôt que de lire ou de modifier le code source, ce qui redéfinit la programmation comme un acte d'expression et de vérification et abaisse la barrière pour les utilisateurs finaux qui veulent construire leurs propres outils. Les cadres de profondeur d'intégration comme le modèle SAMR et les théories d'adoption comme le modèle TAM classent la profondeur avec laquelle l'IA est adoptée et la mesure dans laquelle elle transforme la tâche.
Modélisation de l'apprenant et systèmes adaptatifs : les systèmes techniques qui représentent l'apprenant et s'y adaptent sont regroupés sous le parapluie Modélisation de l'apprenant et enseignement adaptatif : traçage des connaissances, diagnostic cognitif, simulation d'étudiants, tutorat intelligent, apprentissage adaptatif, apprentissage personnalisé, systèmes de recommandation et parcours d'apprentissage, agents pédagogiques, tutorat affectif, informatique affective, IA avec intervention humaine et analyse de l'apprentissage. Ils relèvent de la couche technique parce qu'ils sont les systèmes d'IA eux-mêmes, distincts des pédagogies qu'ils mettent en œuvre.

L'IA dans les disciplines

L'IA s'applique dans toutes les disciplines et à tous les niveaux d'enseignement. La vue d'ensemble de l'AIED dans les disciplines de la base de connaissances cartographie la couverture par matière, aux côtés des sciences de l'apprentissage, qui ne sont pas une matière enseignée mais le champ de recherche transversal qui étudie l'apprentissage lui-même et prend le contenu disciplinaire comme une variable parmi d'autres :

Domaines disciplinaires : mathématiques, physique, chimie, biologie, informatique, ingénierie, STIM, écriture, apprentissage des langues, enseignement de l'anglais (EAP/EFL/ESL), enseignement des sciences, gestion, économie et management, lettres et sciences humaines, arts, design et médias, médecine et professions de santé, études juridiques, et les fils professionnels et appliqués : soins infirmiers, technologies de l'information, enseignement et formation professionnels et enseignement du design.

Niveaux et contextes

Le même outil d'IA rencontre des contextes très différents, et la base de connaissances sépare le niveau d'enseignement de la pédagogie afin que les résultats ne se transfèrent pas silencieusement de l'un à l'autre : écoles primaires et secondaires, éducation préscolaire et primaire, enseignement supérieur, apprentissage des adultes, enseignement et formation professionnels, éducation spécialisée et formation des enseignants. Les concepts proches du domaine qui traversent les niveaux incluent la conception universelle de l'apprentissage, la neurodiversité, l'apprentissage multilingue et l'apprentissage socioémotionnel.

Évaluation et mesure

L'IA transforme à la fois la manière dont nous évaluons les apprenants et celle dont nous évaluons les systèmes d'IA eux-mêmes :

Évaluation et rétroaction : évaluation, évaluation formative, évaluation sommative, évaluation authentique, portfolio électronique, rétroaction et littératie de la rétroaction, qualité de la rétroaction par IA, évaluation par les pairs, évaluation automatisée, notation automatisée de dissertations et génération automatisée de questions. Parce qu'un modèle peut désormais produire à la demande un travail fini et plausible, la base de connaissances met en avant la capacité qui reste propre à l'apprenant : le jugement évaluatif, la capacité à apprécier la qualité de son propre travail, de celui de ses pairs et des productions de l'IA selon des critères raisonnés. C'est le construit sur lequel convergent plusieurs études sur la rétroaction et l'évaluation authentique (la condition de rétroaction hybride surpassant la rétroaction directe par IA dans une expérience menée sur plusieurs sites, l'écart de durabilité de la rétroaction formative par IA, et le geste pratique consistant à évaluer les décisions que prennent les étudiants plutôt que seulement la production), et c'est une raison majeure pour laquelle la refonte à l'ère de l'IA se déplace de la détection vers des tâches dont l'intégrité résiste à l'examen. Le travail en groupe est lui aussi évalué à la fois sur le processus et sur le produit, les équipes devant négocier quel type d'engagement avec l'IA est acceptable.
Mesure et validité : validité de l'évaluation, IA consciente de la psychométrie, mesure en éducation, théorie de la réponse à l'item, mesures auto-déclarées (l'instrument derrière une grande part de ces données probantes, et une limite récurrente), détection d'IA, surveillance à distance des examens et intégrité académique.

Méthodes de recherche et évaluation

La manière dont nous savons si l'IA fonctionne constitue un fil à part entière, et la base de connaissances le traite comme tel :

Méthodes de recherche : les méthodes de recherche en AIED comme parapluie, avec les approches qualitative, quantitative, à méthodes mixtes, de conception et d'utilisabilité, ainsi que les essais contrôlés randomisés, la méta-analyse et revue systématique et l'analyse de réseaux.
Évaluation des systèmes d'IA : l'évaluation d'une intervention d'IA en éducation et les repères de référence pour juger la capacité d'un système, avec les gains d'apprentissage comme résultat qui compte, et les limites transversales de ces données probantes ainsi que la manière de lire une étude isolée comme contrepoids prudent.

Personnes

L'IA en éducation modifie le rôle de chaque acteur. La page Les acteurs de l'éducation à l'IA de la base de connaissances est le parapluie qui les couvre tous :

Apprenants : l'expérience étudiante, le développement de carrière et préparation à l'emploi et l'anxiété et stress liés à l'IA façonnent la manière dont les étudiants rencontrent l'IA.
Familles et communautés : les parents et familles sont le public auquel les établissements s'adressent le plus souvent au sujet de l'IA, et celui sur lequel la recherche est la plus mince ; leurs préoccupations font donc partie du tableau des acteurs plutôt que d'en être exclues.
Enseignants et cadres d'enseignement : la compétence des enseignants en IA, le savoir technologique, pédagogique et disciplinaire (TPACK), le modèle SAMR et le développement pédagogique du corps enseignant traitent de la préparation et du soutien des éducateurs.
Concepteurs : les concepteurs de technologies éducatives, c'est-à-dire les concepteurs de produits, développeurs de logiciels, ingénieurs pédagogiques et concepteurs d'analytique qui transforment une capacité de modèle en quelque chose qu'une institution peut se procurer. Ils constituent un public distinct des praticiens et des administrateurs mentionnés plus haut, et ils se situent à l'extérieur des institutions qui adoptent leurs outils, ce qui explique que les réglages par défaut, la co-conception et la maintenance après la fin d'un financement apparaissent dans cette base de connaissances comme des questions pédagogiques plutôt que commerciales.

Institutions et politiques

C'est à la couche institutionnelle que les décisions en matière d'IA sont réellement prises et défendues : les administrateurs et les responsables d'établissement, la politique d'IA en éducation, la gouvernance de l'IA, la conduite du changement comme travail qui fait tenir une adoption, la réglementation de l'IA et les questions d'approvisionnement et de plateformes qui découlent de l'adoption technologique, de l'open source et des plateformes éducatives, aux côtés de l'apprentissage tout au long de la vie et professionnel et de la formation professionnelle.

Équité, éthique et usage responsable

L'équité, l'accès et la responsabilité sont au cœur de l'IA en éducation :

Équité et accès : l'équité, les effets différenciés selon les groupes d'apprenants (la question de savoir pour qui un résultat est valable), la fracture numérique, l'atténuation des biais, la pédagogie culturellement pertinente, l'apprentissage multilingue, l'apprentissage inclusif, l'accessibilité, les technologies d'assistance, la neurodiversité, la conception universelle de l'apprentissage et les études sur les pays du Sud global.
Éthique et responsabilité : l'éthique de l'IA, les usages abusifs de l'IA et préjudices pour l'apprentissage, les questions juridiques et les risques, la déclaration des usages de l'IA, les garde-fous, la vie privée, le risque d'hallucination, la sycophancie de l'IA, la confiance, la calibration de la confiance, la réduction des usages abusifs de l'IA, la manière dont l'usage de l'IA est présenté aux étudiants, la sécurité pédagogique, la durabilité et le délestage cognitif.

Une revue systématique de la littérature du domaine sur l'éthique (Agarwal et ses collègues, 2026, 25 articles) consolide l'éthique de l'AIED en six valeurs éthiques principales (non-discrimination, gestion des données, supervision humaine, bienveillance, explicabilité et adéquation pédagogique) et cartographie les normes éthiques dans une matrice acteurs-valeurs. Elle constate que les utilisateurs finaux sont largement passifs dans la littérature éthique (la parole des étudiants y est pratiquement absente) et appelle à intégrer l'éthique dans la conception de l'AIED et à se concentrer davantage sur la dimension pédagogique de l'éthique de l'AIED.

Thèmes émergents et transversaux

Plusieurs thèmes traversent le domaine :

Confiance et usage critique : la confiance, la calibration de la confiance, la sycophancie de l'IA, la pensée critique, le délestage cognitif, la pédagogie critique et la réduction des usages abusifs de l'IA (voir aussi la manière dont l'usage de l'IA est présenté aux étudiants). La manière dont les apprenants et les enseignants décident d'adopter l'IA et de s'y appuyer est modélisée par la recherche sur l'acceptation technologique, tandis que les études sur les pays du Sud global mettent en avant l'équité et le contexte culturel dans l'adoption. Sur le plan empirique, la manière dont l'IA s'explique façonne cette confiance : Feldman-Maggor et ses collègues (2025) ont montré que l'IA explicable construit la confiance des enseignants dans les recommandations de l'IA par l'intermédiaire de la compréhensibilité, les explications guidées par le domaine (le langage des programmes) étant davantage crues et acceptées que les sorties d'importance des variables guidées par les données.
L'évolution du domaine : la base de connaissances retrace l'IA en éducation depuis les premiers systèmes de tutorat intelligent et le traçage des connaissances jusqu'au tutorat piloté par les grands modèles de langue, aux agents et à l'IA agentique, soit un déplacement rapide des études centrées sur les outils vers des cadres sociotechniques (pensée design, conception de programmes, changement institutionnel), et des systèmes écrits à la main vers des flux de travail pilotés par l'utilisateur, dans lesquels un apprenant ou un non-programmeur spécifie un comportement en langage naturel (codage intuitif). Rismanchian et Doroudi formalisent cette trajectoire avec leur cadre AI×Ed, en retraçant les articles sur quatre décennies d'actes de colloque pour montrer que le domaine est passé d'un ensemble diversifié, qui comprenait une part substantielle de travaux traitant l'IA comme une analogie de l'intelligence et de l'apprentissage humains, à une concentration quasi exclusive sur des usages appliqués, fondés sur les données et destinés aux chercheurs, un tournant que l'essor des grands modèles de langue semble aujourd'hui partiellement inverser (trois des quatre articles « IA comme analogie » de l'AIED 2024 reposaient sur des grands modèles de langue).
Émotion, anxiété et avenir professionnel : l'IA suscite et façonne des réponses émotionnelles, l'anxiété et le stress liés à l'IA allant de la surveillance des examens à distance aux craintes pour l'intégrité et au déplacement professionnel, tandis que le développement de carrière et la préparation à l'emploi traitent de la manière dont l'éducation prépare les apprenants à un marché du travail perturbé par l'IA (voir aussi le bien-être).

Maturité du domaine

La base de connaissances reflète un domaine en évolution rapide : des premiers systèmes de tutorat intelligent au tutorat piloté par les grands modèles de langue et à l'IA agentique ; des outils d'intégrité académique axés sur la détection à la refonte de l'évaluation ; des études centrées sur les outils aux cadres sociotechniques et centrés sur l'équité. Le corpus de données probantes met de plus en plus l'accent sur des méthodes de recherche rigoureuses, l'évaluation, les plans expérimentaux et les résultats à long terme.

Connexions

L'IA en éducation est liée à chaque concept de la base de connaissances : c'est le domaine que toutes les autres pages de concepts définissent ensemble. Utilisez cette page comme point de départ pour parcourir l'ensemble de la base de connaissances.

Concepts liés

AI Literacy : parapluie, comprendre, utiliser et évaluer l'IA
Human AI Collaboration : parapluie, la manière dont les personnes et l'IA travaillent ensemble
Pedagogies and Teaching Strategies : parapluie, méthodes et stratégies d'enseignement
Learning Theories : parapluie, la manière dont l'apprentissage se produit
Technologies : parapluie, modèles, techniques et systèmes
AIEd in the Disciplines : parapluie, l'IA dans les matières et les niveaux d'enseignement
Assessment : parapluie, la manière dont l'IA évalue les apprenants et reconfigure la validité
Feedback : parapluie, la manière dont la rétroaction est produite, transmise et utilisée
Stakeholders : parapluie, les acteurs concernés
Learners : parapluie, les concepts du côté de l'apprenant (expérience, identité, autonomie, interaction, modèles d'apprenant)
AI Ed Evaluation : parapluie, la manière dont nous savons si l'IA fonctionne
Research Methods in AIED : parapluie, méthodes de recherche sur l'efficacité
AI Governance : parapluie, la couche institutionnelle et réglementaire
Educational AI Policy : parapluie, politiques, orientations et mise en œuvre
Equity : parapluie, équité, accès et inclusion
Learning Sciences : le champ empirique qui sous-tend l'AIED
Ethics : les dimensions éthiques de l'IA en éducation
Misconceptions about AI : les modèles mentaux que les personnes apportent à l'IA
Interpreting and Applying AIEd Research : lire une étude et transposer un résultat dans la pratique
Limitations in AIEd Research : limites transversales du corpus de données probantes
Meta-Analysis and Systematic Review : ce que les revues et méta-analyses établissent
History of AI in Education : comment le domaine a évolué
Philosophy of AI in Education : les fondements philosophiques
Theories and Frameworks : la carte des nœuds de théories et de cadres
Theory Development in AI in Education : construire et réviser la théorie

FAQ liées

Quels sont les 10 principaux résultats de la recherche sur l'IA en éducation que les enseignants devraient connaître ?

Métadonnées

Niveau	Higher Ed, K 12
Public visé	Instructors, Learners, Faculty Developers, Administrators
Technologies and techniques	Generative AI, Intelligent Tutoring, Large Language Models (LLMs)
Assessment and measurement	Assessment
Institutions and policy	Educational AI Policy
Equity, ethics, and responsible use	Equity
Foundations of AI in education	L'IA en éducation, AI Literacy, Teaching

Source History Edit Chat