L'IA en éducation

Cette page est une traduction automatique de la page anglaise, non relue par un locuteur natif.

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 plutôt que 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 publiques, 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 davantage une matière à enseigner ou un outil à utiliser, et cet équilibre reflète-t-il ce dont les apprenants ont réellement besoin ?
• Les étudiants peuvent acquérir la littératie en IA en utilisant l'IA de façon critique, et pas seulement en apprenant des choses 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 collectivement. La base de connaissances organise le domaine selon les grands fils conducteurs présentés ci-dessous, chacun renvoyant aux pages de concepts pertinentes.

Une perspective historique de référence, Mishra et ses collègues retracent l'AIED depuis la cybernétique et la conférence de Dartmouth de 1956, en passant par les tuteurs cognitifs et le constructionnisme de Papert, pour soutenir 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 la couverture de la base de connaissances.
• Littératie en IA — le parapluie de la compréhension, de l'usage et de l'évaluation critique de l'IA, englobant l'ingénierie des invites, la pensée critique, l'éthique de l'IA et la réduction des usages abusifs. À ses côtés, la 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 (actives, collaboratives, par projets, par problèmes, expérientielles, par le jeu, 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 de l'IA — 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 (tutorat intelligent, apprentissage adaptatif, 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, statistiques et science des données, 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, sommative, authentique, oral et automatisé) — le parapluie de la manière dont l'IA évalue à la fois 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 de savoir qui sont les acteurs : les apprenants, les enseignants, les concepteurs pédagogiques, les administrateurs et les décideurs publics.
• Évaluation d'une intervention d'IA en éducation et méthodes de recherche — les parapluies de la manière dont nous savons si l'IA fonctionne : études d'efficacité, repères de référence, essais contrôlés randomisés, méta-analyse et 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 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'analytique 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 enseigner des choses 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, l'enseignement, 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 les patrons pédagogiques (les séquences éprouvées vers lesquelles ces méthodes se résolvent), 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 tournés vers 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, la réflexion, le texte de réfutation, la récupération, l'espacement et l'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 dont ils en sont affectés, tandis que les normes sociales qui s'installent autour de l'usage de l'IA décident avec quelle ouverture on peut en parler. Au-delà du cours, le soutien et la réussite des étudiants couvre le travail du côté de l'établissement — conseil, démarchage, orientation vers des services et allocation d'un soutien rare — là où l'IA fait avancer de façon fiable l'achèvement des tâches mais ni la persévérance ni l'obtention du diplôme.

Technologies et techniques

La page Technologies de l'IA 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 et leur ajustement fin. 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 appartiennent eux aussi à cette catégorie, 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. Cela redéfinit la programmation comme un acte d'expression et de vérification, et abaisse la barrière pour les utilisateurs finaux qui construisent 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, analytique des capteurs et du regard, avatars IA et instructeurs synthétiques, IA avec intervention humaine et analytique de l'apprentissage. Ils relèvent de la couche technique parce qu'ils sont eux-mêmes les systèmes d'IA, distincts des pédagogies qu'ils mettent en œuvre.
• Plateformes, ouverture et adoption : la couche autour du modèle, où une ressource pédagogique est sous licence, hébergée et payée plutôt que construite. L'éducation ouverte couvre l'enseignement avec des contenus sous licence ouverte et la pédagogie qui traite les étudiants comme producteurs de ces contenus, là où se discutent désormais les questions de licence et d'adaptation que soulève le matériel généré. Elle se situe à côté de l'ouverture au sens logiciel, de l'analyse au niveau des plateformes dans les plateformes EdTech, et de la recherche sur l'adoption portée par le TAM.

L'IA dans les disciplines

L'IA s'applique à travers les disciplines et 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 : les mathématiques, la statistiques et science des données, la physique, la chimie, la biologie, l'informatique, l'ingénierie, les STIM, l'écriture, l'enseignement de la lecture, l'apprentissage des langues, l'enseignement de l'anglais (EAP/EFL/ESL), les bibliothèques et sciences de l'information, l'enseignement des sciences, l'éducation environnementale, la gestion, l'économie et le management, les lettres et sciences humaines, l'éducation civique et politique, les arts, le design et l'enseignement des médias, la médecine et les professions de santé, l'enseignement du droit, et les fils professionnels et appliqués — les soins infirmiers, les technologies de l'information, l'enseignement et la formation professionnels et l'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 : les écoles de l'enseignement primaire et secondaire, l'éducation de la petite enfance et du primaire, l'enseignement supérieur, l'apprentissage des adultes, l'enseignement et la formation professionnels, l'éducation spécialisée et la formation des enseignants. Les concepts limitrophes 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 : l'évaluation, l'évaluation formative, l'évaluation sommative, l'évaluation authentique, l'portefeuille électronique, la rétroaction et la littératie de la rétroaction, la qualité de la rétroaction par IA, l'évaluation par les pairs, l'évaluation orale, l'évaluation automatisée, la notation automatisée de dissertations et la génération automatisée de questions. Parce qu'un modèle peut désormais produire à la demande un travail fini et plausible, la base de connaissances met au premier plan la capacité qui reste propre à l'apprenant : le jugement évaluatif, la capacité d'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 essentielle 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 de même évalué à la fois sur le processus et sur le produit, les équipes devant négocier quel engagement avec l'IA, de qui et de quel type, est acceptable.
• Mesure et validité : la validité de l'évaluation, l'IA consciente de la psychométrie, la mesure en éducation, la théorie de la réponse à l'item, les mesures auto-déclarées (l'instrument derrière une grande part de ces données probantes, et une limite récurrente), la détection de l'IA, la surveillance à distance des examens et l'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, par la conception et d'utilisabilité, ainsi que les essais contrôlés randomisés, la méta-analyse et la revue systématique et l'analyse de réseaux.

Le travail de recherche du domaine lui-même est désormais un sujet à part entière. La Recherche éducative assistée par IA couvre l'IA utilisée comme instrument pour la recherche bibliographique, le tri, le codage qualitatif, l'analyse et la rédaction, y compris la recherche menée par des praticiens comme le scholarship of teaching and learning. Elle reste distincte des dispositifs utilisés pour étudier ce que l'IA fait aux apprenants.

• 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 le résultat qui compte, ainsi que les limites transversales de ces données probantes et 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 la préparation à l'emploi et l'anxiété et le 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 qui dispose du moins de recherches pour étayer les conseils donnés ; leurs préoccupations appartiennent donc au tableau des acteurs plutôt qu'à l'extérieur de celui-ci.
• 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, les développeurs de logiciels, les ingénieurs pédagogiques et les concepteurs d'analytique qui transforment une capacité de modèle en quelque chose qu'une institution peut acquérir. 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 du financement apparaissent dans cette base de connaissances comme des questions pédagogiques plutôt que commerciales.

Institutions et politiques

La couche institutionnelle est le lieu où 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 le 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 professionnel et tout au long de la vie 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 les 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, le biais d'automatisation, 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 croisant acteurs et 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 à la conception de l'AIED et à accorder davantage d'attention à la dimension éducative (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 fier est modélisée par la recherche sur l'acceptation technologique, tandis que les études sur les pays du Sud global mettent au premier plan 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 renforce 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.

• Comment l'IA est imaginée : les métaphores et analogies façonnent ce que les éducateurs et les étudiants attendent de l'IA et peuvent servir de méthode d'enseignement pour la littératie en IA, comme le montrent Roe, Perkins et Furze (2025).

• 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 — 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 — comportant 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 centrés 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 collectivement. Utilisez cette page comme point de départ pour parcourir l'ensemble de la base de connaissances.

Idées fausses courantes

« L'IA en éducation est un seul champ avec un seul corpus de données probantes. » C'est un parapluie qui recouvre des fils distincts — disciplines, niveaux, évaluation, méthodes de recherche, institutions, équité — qui diffèrent par leurs méthodes, leurs mesures de résultat et leur maturité. Un résultat issu d'un fil ne se transfère pas à un autre, ce qui explique pourquoi la base de connaissances est organisée ainsi plutôt que comme une littérature unique.

« Un outil qui améliore les résultats d'un cours améliore la réussite des étudiants. » Le fil institutionnel montre le schéma inverse : dans le soutien et la réussite des étudiants, l'IA fait avancer de façon fiable l'achèvement des tâches, mais pas la persévérance ni l'obtention du diplôme. Une intervention peut gagner toutes les mesures internes au cours et laisser le résultat d'achèvement inchangé.

« La performance d'une technologie est une preuve d'apprentissage. » Le domaine se situe à l'intersection des technologies éducatives et des sciences de l'apprentissage, et la distinction entre les deux est exactement celle-ci : si un apprenant a changé, et pas seulement si un outil a fonctionné. Une démonstration est une affirmation sur l'outil.

« Parce que l'IA est polyvalente, un résultat trouvé quelque part s'applique partout. » La généralité de la technologie ne crée pas la généralité des données probantes. Les fils des disciplines, des niveaux et des contextes existent parce que le même outil se comporte différemment selon eux, et un résultat transporté tel quel au-delà d'une frontière est une extrapolation.

« La maturité du domaine se lit dans son volume de publications. » Volume et maturité divergent ; le fil des méthodes de recherche documente des faiblesses récurrentes de conception que le volume ne corrige pas, et les cadres se multiplient plus vite qu'ils ne sont testés.

Concepts liés

• Patrons pédagogiques — Les séquences éprouvées qui opérationnalisent les pédagogies du domaine

• Littératie en IA — parapluie : comprendre, utiliser et évaluer l'IA

• Biais d'automatisation — la défaillance côté lecteur : accepter un jugement automatisé sans le vérifier

• Collaboration humain-IA — parapluie : la manière dont les personnes et l'IA travaillent ensemble

• Pédagogies et stratégies d'enseignement — parapluie : méthodes et stratégies d'enseignement

• Apprentissage par cas — La méthode des cas, la discussion de cas et les cas contrastés

• Métaphores et analogies — Comment la métaphore façonne la compréhension de l'IA et comment l'analogie soutient l'enseignement

• Théories de l'apprentissage — parapluie : la manière dont l'apprentissage se produit

• Technologies de l'IA — parapluie : modèles, techniques et systèmes

• L'IA en éducation dans les disciplines — parapluie : l'IA dans les matières et les niveaux d'enseignement

• Évaluation — parapluie : la manière dont l'IA évalue les apprenants et reconfigure la validité

• La rétroaction — parapluie : la manière dont la rétroaction est produite, transmise et utilisée

• Parties prenantes — parapluie : qui sont les acteurs

• Apprenants — parapluie : les concepts du côté de l'apprenant (expérience, identité, autonomie, interaction, modèles d'apprenant)

• Évaluation de l'IA en éducation — parapluie : la manière dont nous savons si l'IA fonctionne

• Les méthodes de recherche en AIED — parapluie : méthodes de recherche sur l'efficacité

• Recherche éducative assistée par IA — Recherche éducative assistée par IA

• La gouvernance de l'IA — parapluie : la couche institutionnelle et réglementaire

• La politique d'IA en éducation — parapluie : politiques, orientations et mise en œuvre

• L'équité — parapluie : équité, accès et inclusion

• Sciences de l'apprentissage — le champ empirique qui sous-tend l'AIED

• L'éthique — les dimensions éthiques de l'IA en éducation

• Idées fausses sur l'IA — les modèles mentaux que les personnes apportent à l'IA

• Interpréter et appliquer la recherche sur l'IA en éducation — lire une étude et transposer un résultat dans la pratique

• Limites de la recherche en AIED — limites transversales du corpus de données probantes

• Méta-analyse et revue systématique — ce que les revues et méta-analyses établissent

• Histoire de l'IA en éducation — comment le domaine a évolué

• Philosophie de l'IA en éducation — les fondements philosophiques

• Théories et cadres — la carte des nœuds de théories et de cadres

• Le développement théorique en IA éducative — construire et réviser la théorie

• Analyse par capteurs et suivi du regard — parapluie : la détection des apprenants par le regard, l'EEG et les signaux portables

• Avatars IA et instructeurs synthétiques — parapluie : les humains synthétiques qui enseignent, tutorisent, simulent et évaluent

• Éducation civique et politique — domaine disciplinaire : la littératie pour la vie publique, avec une base de données probantes mince

Articles liés

Revues à l'échelle du domaine sur l'IA en éducation, soit les études qui couvrent l'ensemble du domaine ou tout un niveau d'enseignement plutôt qu'un seul sujet :

• The evolution of research on AI and education across four decades: Insights from the AIxEd framework — L'évolution de la recherche sur l'IA et l'éducation sur quatre décennies (cadre AIxEd)
• Control vs. Agency: Exploring the History of AI in Education — Contrôle ou autonomie : une histoire de l'IA en éducation
• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — L'IA générative dans l'enseignement supérieur : revue systématique de 125 études
• The Evidence Base on AI in K-12: A 2026 Review — Le corpus de données probantes sur l'IA dans l'enseignement primaire et secondaire : une revue de 818 articles
• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches — L'IA générative et les résultats éducatifs : méta-analyse complète