Littératie en IA

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

La littératie en IA — les connaissances, compétences et dispositions critiques nécessaires pour comprendre, évaluer et utiliser efficacement les Technologies de l'IA dans les contextes éducatifs. La littératie en IA s'étend de la compréhension fondamentale du fonctionnement de l'IA à la compétence pratique dans l'usage des outils d'IA, en passant par l'évaluation critique des productions de l'IA et la conscience éthique des implications sociétales de l'IA.

Questions à examiner

• Que signifie être « lettré en IA » ? Est-ce savoir utiliser les outils, comprendre leur fonctionnement, ou être capable d'évaluer leur production de façon critique — et laquelle de ces choses importe le plus pour vos propres objectifs ?
• La littératie en IA auto-déclarée diverge fortement de la performance mesurée — les enseignants surestiment leurs compétences d'environ 40%. Quelle confiance accordez-vous à vos propres compétences en IA, et à quelles preuves vous fieriez-vous pour réellement mettre cette confiance à l'épreuve ?
• La littératie en IA est décrite comme une pratique sociale métacognitive, et non comme une liste de compétences. Parce que les LLM sont probabilistes et opaques, que signifie « évaluer de façon critique » une production lorsqu'on ne peut voir à l'intérieur du modèle ?
• Il existe une tension entre la littératie d'usage critique propre aux contextes académiques et la littératie d'intégration au flux de travail propre à l'emploi — les éducateurs et les employeurs valorisent des compétences différentes. Quel type de littératie en IA votre contexte enseigne-t-il réellement ?
• Une formation technique à la littératie en IA seule, sans soutien au sentiment d'efficacité personnelle et à l'autorégulation, peut en réalité accroître la dépendance à l'IA. Comment apprendre à utiliser l'IA pourrait-il vous rendre plus dépendant d'elle plutôt que plus compétent ?
• La littératie en IA est aussi une compétence de reconnaissance : repérer quand une IA est d'accord avec vous parce qu'elle est sycophante, ou parce que vous avez raison. Avez-vous déjà surpris une IA en train de vous dire exactement ce que vous vouliez entendre ?

Introduction

La littératie en IA a rapidement émergé comme une compétence centrale pour les apprenants, les éducateurs et les institutions, à mesure que l'IA générative s'intègre à l'éducation. À la différence de la littératie numérique générale, la littératie en IA exige de comprendre des systèmes probabilistes qui peuvent halluciner, manifester des biais, et déplacer l'autonomie de l'humain vers la machine — ce qui rend la pensée critique et le délestage cognitif centraux dans le construit.

Les dimensions de la littératie en IA

La recherche sur la littératie en IA dans cette base de connaissances couvre quatre dimensions interconnectées :

Les cadres retracent de plus en plus comment ces dimensions s'accomplissent dans la pratique : Dai & Chan (2026) montrent comment les chercheurs diplômés accomplissent les quatre dimensions lorsqu'ils utilisent l'IA générative dans l'ensemble du flux de travail de recherche, et en dérivent des lignes directrices d'usage responsable propres à la recherche, tandis que Şan & Orhan Karsak (2026) recourent à la cartographie par associations de mots pour montrer que la cognition de l'IA chez les étudiants de premier cycle turcs est dominée par une orientation instrumentale de « boîte noire », les concepts éthiques et de gouvernance étant structurellement isolés (τ=−0.819) — la preuve que la conception des certifications doit délibérément jeter un pont entre l'usage expérientiel des outils et les cadres éthiques.

La demande dépend de ce que l'étudiant et le système font conjointement. Les cadres de littératie décrivent habituellement un unique ensemble générique de compétences, mais ce qu'une activité soutenue par GenAI exige réellement varie selon la manière dont le travail épistémique y est distribué. Sun, Dohn et Rehm (2026) ont classé 102 études empiriques d'enseignement supérieur selon la taxonomie des applications de GenAI de Strobel et al., et ont constaté que les intrications de type Assistant et Enabler dominaient à 42.16% du corpus chacune, tandis que Generator, Reimaginator et Synthesizer réunis ne comptaient que moins d'un cinquième — un déséquilibre qu'ils attribuent à la légitimité institutionnelle plutôt qu'à la capacité des modèles, puisque les mêmes modèles soutiennent les cinq types. Lire chaque type à travers les trois niveaux de contexte de Dohn (interne au domaine, interne à l'activité, cadrant l'activité) montre des demandes qui se resserrent pour le travail de type Assistant et se fragmentent pour les types marginaux, où ce que l'activité demande aux étudiants diverge de ce que l'institution reconnaît comme compétence légitime. Leur conclusion éloigne la littératie de la simple maîtrise des outils : la littératie en IA générative est la capacité de reconnaître comment le travail épistémique et la responsabilité sont distribués dans une intrication donnée, et d'agir de manière appropriée en son sein.

Connaissances fondamentales : comprendre ce que sont les LLM, en quoi ils diffèrent des systèmes fondés sur des règles, et leurs limites fondamentales. Cela inclut la conscience des capacités des modèles, des biais des données d'entraînement, et de la distinction entre IA spécifique à une tâche et modèles d'usage général. La recherche sur l'ingénierie des invites examine comment la compréhension des mécanismes de l'invite affecte l'usage efficace de l'IA.

Compétence pratique : la capacité d'utiliser efficacement les outils d'IA — de l'ingénierie des invites à l'interprétation des productions. Les études des patrons d'usage de GenAI par les étudiants révèlent que l'accès aux outils ne produit pas à lui seul la compétence ; la pratique structurée et l'étayage sont essentiels. Le cadre de codage intuitif montre comment les enseignants du primaire et du secondaire peuvent développer une littératie pratique en IA par la création guidée d'outils. Miles, Haber-Curran et Arar (2026) soutiennent que cette dimension comporte une part que la formation à l'optimisation manque : la littératie des invites, distincte de l'ingénierie des invites, traite la rédaction d'invites comme un acte rhétorique et éthique, si bien qu'un enseignement qui ne fait que régler les productions pour de meilleures performances laisse intactes les dimensions éthiques et épistémologiques de l'usage des LLM.

Évaluation critique : la capacité d'évaluer les productions de l'IA pour leur exactitude, leurs biais et leur pertinence. La recherche sur l'évaluation de la littératie montre un écart de 40% entre la littératie en IA auto-déclarée et la littératie fondée sur la performance — les gens surestiment systématiquement leurs compétences d'évaluation. Cette divergence est le cas le plus clair, dans la base de connaissances, d'une mesure auto-déclarée qui ne parvient pas à suivre la compétence qu'elle nomme. Cela se relie à la recherche sur le délestage cognitif, qui montre que les étudiants qui font confiance à l'IA sans esprit critique apprennent moins. Des travaux conceptuels récents poussent l'évaluation vers la vérification : le cadre PEARLS (Wang) traite la production de l'IA comme une affirmation de savoir provisoire, dont le fondement doit être assemblé et examiné selon six dimensions (Processus, Preuves, Accès, Reproductibilité, Légitimité, Source), et avance l'apprentissage piloté par la vérification comme le mécanisme par lequel les apprenants bâtissent une expertise tout en contrôlant les affirmations de l'IA. En complément, le cadre d'usage responsable centré sur l'étudiant (Alsammani) propose dix lignes directrices destinées aux étudiants, réparties sur les piliers Apprentissage et croissance, Éthique et intégrité, et Conscience et sécurité, qui extériorisent des invites métacognitives au moment de la décision. Pour les apprenants du secondaire, le cadre de compétence en recherche assistée par IA (AARC) (Beau, Flaquière & Lazar 2026) ancre cela dans l'épistémologie des vertus et l'intuition de l'IA, définissant la littératie de la recherche comme la conduite d'une enquête avec l'IA sans renoncer à l'paternariat, au jugement, à la vérification ni à la responsabilité — opérationnalisée sous forme d'une grille analytique et d'une routine d'engagement vérifier–citer–réfléchir. Du côté de l'évaluation, Saleh (2026) propose un test de capacité humaine qui transforme l'évaluation en principe de conception : se demander ce qu'un étudiant doit démontrer indépendamment, ce qui peut être renforcé par l'augmentation apportée par l'IA, et ce que l'étudiant doit vérifier, défendre et dont il doit assumer la responsabilité.

La vérification disciplinaire élève le même critère d'un cran. Vega-Baudrit et Rivera Alvarez (2026) soutiennent qu'en chimie universitaire, la demande centrale de littératie en IA est la traduction représentationnelle entre les domaines macroscopique, submicroscopique et symbolique de Johnstone, parce qu'une production peut être localement persuasive dans un domaine tout en contredisant l'équilibre des charges, un mécanisme ou une limite de sécurité dans un autre. Leur remède est une intégration centrée sur la vérification : faire de la vérification une activité évaluée, conserver les journaux d'invites et les historiques de révision comme traces du raisonnement, et traiter la rédaction d'invites comme un acte épistémique qui spécifie les contraintes, les hypothèses et les critères d'adéquation, les étudiants devant identifier une fausse hypothèse ou justifier le rejet d'une réponse générée.

Conscience éthique et institutionnelle : comprendre les implications plus larges de l'IA — de l'intégrité académique à l'équité en passant par la vie privée. La littératie en IA au niveau institutionnel implique l'élaboration de politiques, l'développement pédagogique et les cadres de gouvernance — la littératie en IA institutionnelle est une affaire de politique autant que de pédagogie. Le cadre EPIQ-AI présente la littératie en IA institutionnelle comme un défi d'alignement sociotechnique, et non comme une simple formation individuelle.

• La littératie en IA comme capacité de gouvernance pour le développement durable. Islam, Morshed et Islam (2026) reconceptualisent la littératie en IA comme une capacité orientée vers la gouvernance, plutôt que comme une compétence purement éducative ou technique, en la reliant aux dix-sept objectifs de développement durable des Nations unies. Leur taxonomie AIRE à six niveaux (Reconnaître → Comprendre → Appliquer → Analyser → Intégrer → Gouverner) étend la hiérarchie de Bloom en y ajoutant la synthèse éthique et la prospective stratégique, positionnant les compétences avancées (Analyser–Gouverner) comme la voie allant de la littératie fondamentale à la gouvernance institutionnelle et politique — une heuristique de « 18e ODD » qui traite la littératie comme un pont cognitif et éthique transversal. Une enquête menée auprès de 300 professionnels dans un contexte national a trouvé une forte conscience technique mais une disponibilité éthique et de gouvernance limitée, avec le raisonnement éthique et la pensée réflexive comme plus forts prédicteurs d'un usage durable et digne de confiance de l'IA et la littératie de gouvernance comme plus fort prédicteur de la conscience du lien entre IA et ODD (β = 0.64). Cela fonde empiriquement l'insistance de la base de connaissances sur la littératie d'usage critique, et relie directement la littératie en IA à la durabilité et à l'intégration dans la politique. L'offre de cadres est devenue elle-même un problème. Fitsilis (2026) a comparé 16 cadres de compétence en IA entérinés institutionnellement, destinés à l'éducation et au développement de la main-d'œuvre, et a trouvé un noyau commun de dix domaines de compétence, mais une large variation de structure, de progression et d'orientation pour la mise en œuvre — la difficulté pratique consiste à choisir parmi eux, non à en manquer.

Comment la littératie en IA se développe

La recherche désigne les approches collaboratives et actives comme les plus efficaces. Rismanchian & Doroudi positionnent la littératie en IA comme plus qu'une compétence appliquée : dans leur cadre AI×Ed, l'apprenant est un utilisateur final distinct de l'IA (accessible par la littératie en IA et l'éducation à l'IA), et ils plaident pour des travaux renouvelés sur la littératie en IA qui encouragent la réflexion sur l'apprentissage lui-même — traitant la littératie comme une voie de retour vers la recherche sur « l'IA comme analogie à l'intelligence humaine » portant sur la manière dont les gens apprennent, un courant que le champ a largement abandonné. Le cadre ICAP (Interactif → Constructif → Actif → Passif) fournit une taxonomie utile de l'engagement cognitif : les étudiants apprennent la littératie en IA le mieux lorsqu'ils co-construisent le savoir plutôt qu'ils ne reçoivent passivement l'information. Les concepteurs devraient choisir le mode qui correspond à l'objectif d'apprentissage et favoriser les modes les plus profonds (constructif et interactif) lorsque c'est possible. Les activités pratiques — concevoir des invites, évaluer des productions en groupe, débattre d'éthique de l'IA — surpassent les cours magistraux.

La composition part de l'expérience vécue — mais la profondeur conceptuelle exige un étayage. Burriss et al. (2026) ont constaté que des jeunes ancraient les principes abstraits d'éthique de l'IA dans des systèmes qu'ils rencontrent quotidiennement — des « laissez-passer » électroniques, des ordinateurs portables réglementés par l'école, des détecteurs de plagiat — un groupe expliquant que l'IA dans les écoles « était personnelle pour tous les membres du groupe », et 15 des 18 réponses à l'enquête de fin d'unité rapportant que réaliser la vidéo avait changé leur compréhension de l'éthique de l'IA. Les auteurs sont explicites sur la limite : la composition ne garantissait pas par elle-même un ancrage conceptuel — le « consentement éclairé » avait été traduit par « il faut qu'on approuve », et certains termes (par exemple « failsafe ») n'avaient jamais été expliqués, ce qui les a conduits à planifier un travail conceptuel plus profond dans les itérations ultérieures. La production créative développe la littératie en IA au mieux lorsqu'un étayage conceptuel explicite accompagne la fabrication, plutôt que d'être supposé en émerger.

L'intuition de l'IA comme complément expérientiel de la littératie. Une lacune récurrente tient à ce que les cadres du primaire et du secondaire supposent que les apprenants abordent l'IA par des connaissances déclaratives et fondées sur des règles, alors qu'en pratique ils développent d'abord un « feeling » pratique de la manière dont l'IA répond — en expérimentant des invites, en observant les comportements, en adaptant les stratégies — avant de pouvoir articuler des principes formels. Beau & Lazar (2026) formalisent cela comme l'intuition de l'IA : une compréhension expérientielle, inductive, souvent tacite, qui se développe par l'interaction itérative avec les systèmes d'IA et qui soutient le jugement sensible au contexte face à l'incertitude. Leur double cadre situe la littératie en IA (compétences structurées, largement statiques) aux côtés de l'intuition de l'IA (un processus d'apprentissage dynamique), en cartographiant les deux selon les dimensions standard — comprendre les concepts, utiliser les outils, évaluer de façon critique, appliquer de manière éthique, réfléchir — afin que les apprenants combinent clarté conceptuelle et garde-fous (littératie) avec la sagesse pratique de se fier mais vérifier, et de décider quand se désengager (intuition). Parce que l'intuition cultive l'« observation experte » de l'IA (par exemple en soumettant les invites à des tests de résistance pour trouver où un modèle échoue), les auteurs soutiennent qu'elle est une protection contre le recours excessif et l'érosion de la pensée critique ; elle se distingue de l'ingénierie des invites (qui optimise les productions) en mettant au premier plan le jugement épistémique. Cela relie la littératie à l'apprentissage expérientiel, au constructivisme et à une pratique de classe fondée sur le développement, et oriente la préparation des enseignants vers l'animation d'une exploration inductive plutôt que vers la seule transmission de concepts.

La motivation est une condition préalable, et pas seulement un résultat. Liang et al. (2026) ont constaté, sur 2,086 élèves du secondaire suivant un programme d'IA d'un an, que les étudiants qui étaient passés à un profil motivationnel autodéterminé ou y étaient restés (forte satisfaction des besoins d'autonomie, de compétence et d'appartenance) montraient les plus grands gains de littératie en IA. La littératie en IA se développe par un engagement soutenu, et cet engagement est lui-même façonné par la motivation et le soutien des besoins psychologiques — un enseignement efficace de la littératie en IA devrait donc prêter attention à la motivation des apprenants, et pas seulement à leurs compétences.

L'accent pédagogique et l'ouverture des tâches atteignent la performance par des besoins différents. Yu, Lin et Chen (2026) ont réparti au hasard 320 étudiants de premier cycle en quatre groupes, dans une expérience 2 x 2 portant sur une tâche de génération d'images par IA générative notée avec une grille objective (ICC = 0.89), et ont constaté qu'un enseignement fondé sur la pensée, couvrant les limites des modèles, l'évaluation critique et l'éthique, surpassait un enseignement par sollicitation de compétences (M = 9.21 contre 7.69, F(1, 316) = 50.79, p < 0.001, êta deux partiel = 0.138), avec une marge plus large sur les tâches ouvertes (10.10 contre 8.00). Le modèle structurel montre que les deux choix de conception cheminent par des routes différentes : l'enseignement agissait indirectement par l'autonomie (bêta = 0.035) et la compétence (bêta = 0.079), tandis que l'ouverture des tâches opérait principalement par l'autonomie (bêta = 0.029) ; la compétence était le plus fort prédicteur de la performance (bêta = 0.358) et l'appartenance n'avait pas d'effet indépendant. Ce que contient l'enseignement importe donc plus que le fait que les apprenants aient ou non une pratique de la rédaction d'invites, et cela importe le plus lorsque la tâche est ouverte.

Les variables entourant la littératie en IA ont depuis été cartographiées plus largement. Une revue systématique de 2025 portant sur les corrélats de la littératie en IA a synthétisé 31 études menées dans 14 pays (N = 12,071) et a trouvé les associations les plus constantes dans la bande affective et comportementale : le sentiment d'efficacité personnelle en IA, les attitudes positives envers l'IA, la motivation et la compétence numérique évoluaient tous avec la littératie en IA, tandis que l'anxiété face à l'IA et les attitudes négatives évoluaient en sens inverse. Les variables démographiques se faisaient à peine sentir, l'âge et le statut socioéconomique ne corrélant que faiblement ou pas du tout. La mise en garde de la revue porte sur les instruments : les mêmes études qui produisaient de fortes corrélations à partir de l'auto-évaluation montraient des corrélations bien plus faibles lorsque la littératie en IA était testée plutôt qu'auto-notée.

Une étude par équations structurelles portant sur 502 membres du corps professoral d'une université de recherche chinoise a trouvé que la littératie en IA était le plus fort prédicteur du bien-être lié à l'IA (β = 0.713), contre une faible part de sentiment d'efficacité personnelle technologique (β = 0.082), le soutien social et organisationnel n'atteignant le bien-être qu'indirectement (Liu et al. (2026)).

Une association apparemment négative s'inverse sous contrôle : parmi 303 étudiants de premier cycle de Hong Kong, l'anxiété technologique corrélait négativement avec la littératie en IA (r = −0.14) tout en prédisant β = 0.15 dans un modèle conjoint, un effet confiné à l'évaluation critique et à la compétence éthique (Chow et al. (2026)).

Hu (2026) ajoute un récit ordonné de ce que la littératie en IA prédit, plutôt que de ce qui la prédit. Interrogeant 450 étudiants universitaires de Chine continentale qui utilisent déjà ChatGPT, l'étude a constaté que la littératie en IA était liée directement à l'usage continu (bêta = 0.16, p = 0.002) et indirectement par un chemin sériel passant par la confiance et le sentiment d'efficacité personnelle académique (effet indirect = 0.07, IC à 95% [0.04, 0.10]), le lien de la littératie à la confiance étant la plus forte association du modèle (bêta = 0.50). L'anxiété face à l'IA modérait ce premier lien (bêta d'interaction = -0.25, les pentes simples tombant de 0.76 à 0.25 sur l'étendue de l'anxiété), si bien que la chaîne s'amincissait pour les étudiants plus anxieux et qu'on ne devrait pas supposer qu'un enseignement de la littératie les atteigne à lui seul. Le dispositif est transversal et l'échantillon est restreint aux utilisateurs existants, si bien que l'ordonnancement est une hypothèse de modélisation plutôt qu'une séquence observée.

Un objectif appliqué central de la littératie en IA est la réduction des usages abusifs : apprendre aux étudiants à utiliser l'IA de manière éthique et productive, plutôt qu'en substitution de leur propre travail cognitif. Là où la littératie en IA bâtit la capacité d'évaluer et d'utiliser l'IA de façon critique, la réduction des usages abusifs est le bénéfice comportemental et structurel — combinant une conception d'outil dotée de garde-fous, la refonte de l'évaluation, et des leviers éducatifs tels que des séquences étayées « réfléchir d'abord, IA ensuite » et une pratique de la rédaction d'invites accompagnée d'une rétroaction délibérée. Les deux concepts se renforcent mutuellement : la littératie en IA fournit les dispositions critiques qui rendent durables les interventions de réduction des usages abusifs, tandis que les preuves issues de la réduction des usages abusifs (par exemple l'écart entre performance et apprentissage) motivent la raison pour laquelle la littératie doit aller au-delà de la compétence opérationnelle jusqu'au jugement critique.

La littératie en IA a aussi besoin de formes adaptées au développement pour les plus jeunes apprenants. AI-Play traduit les compétences de littératie en IA en activités ludiques et débranchées destinées aux apprenants de la maternelle à la deuxième année — organisées autour du corps de l'IA (l'IA comme système construit à partir de pièces), de la nourriture de l'IA (l'IA apprend d'exemples), du cerveau de l'IA (l'IA s'améliore par les régularités et la rétroaction), et d'une lentille éthique pré/post-IA — répondant à un manque persistant d'orientations de littératie en IA fondées sur le développement pour l'éducation de la petite enfance et rendant la littératie en IA accessible aux éducateurs et aux familles non techniques. En complément, Vahedian Movahed & Martin (2025) ont constaté que des enfants de 6 à 14 ans faisaient largement confiance à un agent conversationnel adapté à leur âge comme source d'information, et que la plupart le modélisaient comme « un programme informatique intelligent qui apprend » (une compréhension naissante de l'apprentissage automatique), tout en montrant des lacunes d'engagement critique et de conscience de la sécurité numérique — la preuve que la confiance des jeunes apprenants peut devancer leurs compétences d'évaluation critique, ce qui rend la calibration explicite de la confiance et l'enseignement de la sécurité une partie nécessaire de la littératie en IA pour les enfants.

La mesure suit ce tournant développemental du côté des plus jeunes. La validation de 2025 par Thianwan et Srikoon d'un questionnaire d'auto-évaluation de la littératie en IA pour les élèves du primaire supérieur a mis au point un instrument de 15 items pour les classes de CM1 à sixième, organisé autour de l'apprentissage de l'IA, de l'apprentissage du fonctionnement de l'IA, et de l'apprentissage pour vivre avec l'IA, et a confirmé une structure à trois facteurs dans deux échantillons (n = 335 et n = 579) avec un alpha de Cronbach global de .934. Les auteurs le présentent comme un diagnostic formatif d'une littératie perçue plutôt que démontrée, et notent que l'exactitude de l'auto-évaluation chez les enfants est contrainte par une capacité métacognitive encore en développement.

L'apprentissage par projets comme mécanisme de diffusion. Zhu & Kong (2026) ont élaboré et validé une échelle d'apprentissage par projets d'IA (AI-PBLS) et, dans un échantillon de Hong Kong de 1,027 étudiants du secondaire et de l'université (446 avec données complètes), ont recouru à la modélisation par équations structurelles pour montrer que l'autonomisation dans l'usage de l'IA pour la résolution de problèmes et la conscience éthique de l'IA médiatisent conjointement la relation entre l'apprentissage par projets perçu et la satisfaction à l'égard d'un cours de littératie en IA. Cela positionne l'apprentissage par projets non comme un simple format de diffusion, mais comme un mécanisme qui bâtit la confiance de l'apprenant et le raisonnement éthique aux côtés de la compétence, renforçant le lien entre l'apprentissage par projets et un développement signifiant de la littératie en IA. Cela fournit aussi un instrument de mesure validé pour la mesure future des expériences de cours de littératie en IA.

Élever la dimension éthique de la littératie pose un problème de signe. Parmi 584 étudiants de premier cycle qui s'étaient enseigné l'IA eux-mêmes, la compétence élevait la conscience éthique (β = 0.644, p < .001), et la conscience éthique élevait ensuite l'anxiété face à l'IA (β = 0.439, p < .001) plutôt qu'elle ne l'abaissait, en sens inverse de la direction prédite (Mu et al. (2026)). La leçon qu'en tirent les auteurs est que l'enseignement de la manière dont les préoccupations éthiques sont gouvernées doit accompagner la dimension éthique elle-même, sous peine qu'un travail de littératie ne laisse les apprenants plus anxieux qu'il ne les a trouvés.

La littératie en IA comme lacune centrale des cadres d'IA conversationnelle. L'examen parapluie des agents d'IA conversationnelle (Ganguly et al. 2025, 34 revues) identifie le soutien limité à la littératie en IA comme une lacune majeure des cadres d'IA conversationnelle, et sa feuille de route pour l'usage éthique fait de l'évaluation fondamentale (y compris le renforcement de la littératie en IA) le premier pilier, aux côtés de la conception participative, des lignes directrices d'usage éthique et de l'évaluation continue de l'impact cognitif. Il constate en outre que la littératie en IA, la formation et la conscience figurent parmi les orientations éthiques les plus soulignées dans la littérature sur l'IA conversationnelle.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

Efficacité des interventions de littératie en IA. Une méta-analyse à trois niveaux portant sur 59 études (172 tailles d'effet, 7,211 participants) estime un effet global important des interventions de littératie en IA (g = 0.837, p < .001) — mais avec un large intervalle de prédiction [−0.292, 1.966], si bien que l'efficacité varie considérablement selon les contextes. Les interventions menées en Asie de l'Est et en Europe surpassaient celles menées en Amérique du Nord, et les interventions centrées sur les connaissances surpassaient celles qui ciblaient les compétences, les attitudes ou l'éthique. Les auteurs soutiennent que l'éducation à la littératie en IA devrait donc aller au-delà des connaissances vers les compétences, les pratiques, l'éthique et les attitudes, soutenues par des pédagogies intégrées et réflexives (par projets, par problèmes, par l'enquête, expérientielles) et par des outils soutenus par GenAI — un déplacement qui s'aligne sur les formes participatives et orientées vers la production de la pensée informatique décrites ailleurs dans cette base de connaissances.

Une seconde synthèse atteint une ampleur comparable sur une base plus étroite et aiguise le problème de la mesure. Yu, Kim, Chang et Huang (2026) ont regroupé 57 tailles d'effet issues de 16 études couvrant 3,837 élèves du primaire et du secondaire à qui l'on enseignait l'IA elle-même plutôt qu'avec l'IA, et ont estimé un g de Hedges de 0.892 (IC à 95% [0.548, 1.236], p < .001), robuste aux corrélations pré-post supposées de 0 à 1 et stable après ajustement par la méthode trim-and-fill à g = 0.952. Chacun des 57 effets pointait dans le sens positif (plage de 0.16 à 4.93), et aucun modérateur (source de publication, année, niveau scolaire) n'expliquait l'hétérogénéité substantielle (I² = 94.68%). L'explication que préfèrent les auteurs tient à la mesure : les études incluses appelaient « littératie en IA » tout, des connaissances et de l'éthique de l'IA aux attitudes, à la motivation, au sentiment d'efficacité personnelle et à l'intérêt pour la carrière, si bien que le chiffre regroupé décrit une distribution de constats positifs sous une même étiquette lâche, plutôt qu'une intervention uniforme. Lues aux côtés de Liu et al., les deux estimations s'accordent sur le fait que l'enseignement de la littératie en IA fonctionne, et sur peu d'autres choses, ce qui constitue en soi le signal de mesure du champ.

Les preuves de classe portant sur des dispositifs délibérément brefs sont plus minces, mais elles vont dans le même sens et ajoutent un résultat au niveau du comportement que les enquêtes ne peuvent fournir. Clerc et al. (2026) ont donné à 116 élèves français des classes de 4e et 3e un atelier de deux heures sur le fonctionnement des LLM et leurs échecs, associé à une pratique consistant à prédire si une invite susciterait une réponse utilisable, à évaluer la réponse, et à la réviser ou à redemander. Deux jours plus tard, au cours de six problèmes scientifiques soutenus par des LLM avec un groupe témoin, les élèves formés acceptaient moins souvent des invites sous-spécifiées (51.5% contre 66.7%, OR = 0.47), posaient bien plus souvent des questions de suivi après une réponse faible (59.2% contre 27.9%, d = 0.80), et jugeaient l'exactitude des réponses avec plus de sensibilité à la qualité de l'invite (OR d'interaction = 2.52), avec une modeste différence de score (11.38 contre 10.29 sur 20, p = .040). L'atelier n'avait jamais répété les tâches du test, si bien que ce qui s'est transféré était une posture régulatrice plutôt qu'une familiarité avec la tâche — et les auteurs sont explicites : deux jours ne font pas la durabilité.

Littératie critique des médias soutenue par l'IA à l'école élémentaire. Demir et Akar (2026) fournissent une démonstration concrète, à l'école élémentaire, d'un enseignement de la littératie soutenu par GenAI : un programme de 18 heures fondé sur le modèle 5E pour des élèves turcs de CM1, dans lequel ChatGPT et Grammarly étaient intégrés phase par phase comme agents pédagogiques (ChatGPT pour les questions réflexives et les questions-réponses, Grammarly et Canva AI pour l'affinement du contenu, Padlet pour la rétroaction par les pairs), aligné sur les programmes turcs de langue et d'études sociales. Le groupe soutenu par l'IA a montré de forts gains en lecture des médias (+3.50), en écriture (+1.67) et en littératie médiatique totale (+5.17, tous p < .01), avec des tailles d'effet entre groupes du d de Cohen allant de 1.12 à 1.31, tandis que le groupe témoin ne progressait que modestement. L'analyse qualitative a fait apparaître six domaines de croissance de la littératie critique des médias — autoprotection numérique et protection des données, usage des médias intentionnel et responsable, communication sûre et conscience des limites, évaluation critique et conscience de la désinformation, conscience des risques en ligne, et éthique des médias et citoyenneté numérique — la preuve qu'un usage de GenAI adapté au développement et intégré à une discipline peut bâtir les dimensions d'évaluation critique et d'éthique de la littératie en IA, et pas seulement la compétence opérationnelle.

Cadres pour structurer la littératie en IA. Plusieurs contributions récentes proposent des progressions structurées pour bâtir la littératie en IA. Marienko, Markova et Semerikov (2026) proposent un cadre à cinq niveaux (Conscience, Application, Évaluation, Création, Éthique) intégré à trois paradigmes de l'IA en éducation (IA dirigée, IA soutenue, IA autonomisante), élaboré par une étude à méthodes mixtes portant sur des éducateurs du secondaire ukrainiens (enquête nationale n = 2018 ; évaluation du développement professionnel n = 1130). Ils ont constaté que 84% des éducateurs utilisent l'IA, mais que seulement 11% peuvent identifier des services spécialisés au-delà de ChatGPT, et qu'une intervention de développement professionnel avait produit une amélioration de 24% de la compétence en IA — la preuve qu'un développement professionnel ciblé fait progresser la littératie au-delà d'une familiarité de surface avec les outils. L'ancrage du cadre dans le constructivisme, le connexionnisme et le TPACK le relie au TPACK et à la compétence des enseignants en IA. En complément, Moore et al. (2026) ont utilisé un processus de recherche par la conception de deux ans, avec un comité consultatif de jeunes et d'experts en IA, pour concevoir un programme d'apprentissage automatique intégré aux sciences destiné à des jeunes du lycée, constatant des gains de connaissances en apprentissage automatique dans les deux cohortes (cohorte 2 M2−M1 = 0.175 contre cohorte 1 0.076) et des gains plus importants chez les participantes femmes et non blanches — la preuve qu'une conception participative et intégrée à la discipline peut faire progresser à la fois la littératie en IA et l'équité.

Une revue PRISMA de 39 études STEAM (2016–2025) a constaté que ces mises en œuvre développaient principalement des littératies techniques — concepts fondamentaux de l'IA, pensée informatique, littératie des données — tout en sous-développant la conscience éthique, l'imagination créative, et la création, la gestion et la conception avec l'IA, si bien que des unités intégrées à une discipline peuvent encore manquer les éléments d'ordre supérieur (Niri et al., 2026)).

Le construit est contesté précisément là où les éducateurs sont concernés. Une revue de 34 études sur la littératie en IA dans la formation des enseignants a constaté que le champ manque de consensus sur ce que la littératie en IA signifie pour les éducateurs professionnels, par distinction d'avec la littératie numérique générale, et que le cadre de compétences en IA pour les enseignants de l'UNESCO spécifie 15 compétences réparties sur cinq dimensions, tout en fonctionnant comme une référence politique mondiale plutôt que comme une orientation pour la mise en œuvre. Les enseignants de l'atelier collaboratif interinstitutionnel de préparation des enseignants traitaient la littératie en IA comme une dimension intégrée de la préparation professionnelle plutôt que comme une compétence technologique séparée, si bien que l'on attendait des candidats qu'ils auditent, comparent et justifient les productions de l'IA dans les travaux disciplinaires, plutôt qu'ils ne démontrent une familiarité avec les outils.

La préparation initiale des enseignants est le lieu où la structure est la plus mince. Pinto et al. (2026) ont passé en revue 11 études portant sur l'IA dans la formation initiale des enseignants de mathématiques du primaire, et ont constaté que neuf consistaient en une session unique ou en une poignée de sessions intégrées à des cours existants, que la rédaction d'invites constituait un contenu de formation explicite dans certaines seulement, et que l'éthique n'apparaissait que dans trois, dont aucune ne traitait de la transparence, des biais algorithmiques ou de l'obligation de rendre compte. Les risques qu'ils rapportent sont des échecs au niveau de la littératie : les enseignants en formation initiale ne remarquaient pas les erreurs conceptuelles produites par ChatGPT, acceptaient sans esprit critique les contenus générés, et déléguaient davantage de résolution de problèmes à l'outil à mesure que les tâches devenaient plus difficiles. Leur recommandation est de bâtir la compétence en IA sur l'ensemble de la séquence de formation, d'une phase préparatoire jusqu'au stage pratique, plutôt que dans un module isolé.

Les récits que font les enseignants du pourquoi de l'éducation à l'IA ajoutent une couche de finalité que les cadres de compétences laissent implicite. Fagerlund et al. (2026) ont interrogé 13 enseignants finlandais, de la maternelle à la 9e année, largement novices en éducation à l'IA, et ont lu leurs énoncés de finalité à travers les trois domaines de Biesta. La qualification, l'acquisition de compétences, était la finalité la plus claire et la plus concrète, et elle opérait comme une voie d'accès aux deux autres : les étudiants devaient saisir l'IA comme un phénomène sociotechnique et utiliser ses outils, l'IA servant à la fois de cible et d'aide à l'apprentissage. La socialisation apparaissait comme la culture de l'enthousiasme, la présentation de l'IA comme « cool », et le cadrage des étudiants comme futurs travailleurs férus d'IA qui doivent satisfaire aux exigences de compétence. La subjectification, l'engagement autodéterminé et personnellement signifiant que Biesta traite comme central, était nommée comme importante mais ne disposait d'aucun répertoire pédagogique concret au-delà de la discussion et de la contemplation, et les enseignants n'offraient aucun exemple travaillé de contestation de l'autorité de l'IA. Les auteurs proposent l'autonomie éclairée en IA, une heuristique qui place la subjectification au centre tout en traitant les compétences comme des cadres explicatifs des choix autodéterminés. L'implication pour la conception est que le « pourquoi » de l'éducation à l'IA demande autant d'attention de conception que le « comment » : lorsque la subjectification repose sur une discussion générique, l'enseignement de la littératie en IA retombe sur la qualification à côté de laquelle il était censé se tenir.

La disponibilité elle-même est une cible contestée. Charles (2026) soutient que la disponibilité des enseignants pour des apprentissages riches en IA devrait se lire à partir de la qualité des conceptions que produisent les enseignants, et non de l'adoption, de la confiance ou de la compétence numérique, et bâtit un cadre autour de la médiation par la conception : des décisions observables telles que le choix des outils, la conception des tâches et des invites, l'étayage, la vérification, la transparence, la refonte de l'évaluation, la planification de l'accessibilité et la supervision humaine. Deux de ses affirmations ont des conséquences directes pour le développement professionnel. Premièrement, le sentiment d'efficacité personnelle est une ressource de mobilisation plutôt qu'un indicateur de qualité, parce que la confiance sans connaissances pédagogiques propres à l'IA ni orientation éthique peut accélérer une mauvaise conception plutôt que l'empêcher, ce qui qualifie la lecture habituelle de la confiance des enseignants comme signal de disponibilité. Deuxièmement, la clarté des politiques et le soutien institutionnel sont des modérateurs distincts, si bien qu'un soutien matériel peut être fort tandis que les attentes restent ambiguës et que la disponibilité se transpose néanmoins mal. Le cadre refuse aussi d'assimiler le non-usage à l'indisponibilité, puisqu'une décision raisonnée de retenir l'IA peut elle-même démontrer un jugement de conception. Il est conceptuel et non validé, si bien qu'il fournit des propositions et des sources de preuves plutôt que des effets établis.

Littératie de l'interaction avec l'IA : la dimension interactionnelle. Brunnström et Palmqvist (2026) proposent une compétence plus étroite, interactionnelle — la capacité de piloter, d'évaluer et d'apprendre de l'interaction itérative avec GenAI — comme accomplissement spécifique des dimensions applicative, évaluative et intégrative des cadres plus larges tels que l'heptagone de la littératie en IA. Leur démonstration réflexive montre ce dont elle consiste en pratique : reconnaître qu'une réponse fluide est pitchée au-dessus de son propre schéma, demander une simplification, réduire le périmètre, et rediriger le système vers une pratique ciblée. Deux conséquences de conception en découlent — la compétence est inégalement distribuée, si bien qu'un usage non guidé peut avantager les étudiants déjà confiants et creuser les écarts (L'équité), et elle doit être enseignée explicitement plutôt que supposée, les enseignants couvrant comment formuler des invites productives et quand cesser d'utiliser l'outil (L'apprentissage autorégulé).

Littératie critique en IA : au-delà des compétences, vers le pouvoir et la résistance

Un courant distinct de la base de connaissances traite la littératie en IA non comme de simples compétences ou une évaluation critique, mais comme une pratique critique et politique qui interroge le pouvoir, l'autorité, et le savoir de qui compte. Cela relie la littératie en IA à la pédagogie critique et à l'équité :

• « Résister à l'IA » comme posture de littératie. La littératie critique en IA (CAIL) peut englober le fait de résister à l'IA — refuser l'inévitabilité et la solutionnisme technologique du discours dominant, et cultiver l'autonomie collective par des pédagogies dialogiques et collaboratives.(Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI”) Cela positionne l'éducation comme un espace où les communautés imaginent et bâtissent des avenirs alternatifs, plutôt que de simplement s'adapter à un ordre technologique donné.
• Épistémologies fondées sur la communauté. L'apprentissage de l'IA fondé sur la communauté ancre l'engagement envers l'IA dans les manières de connaître vécues et communautaires des apprenants, redistribuant l'autorité épistémique de l'IA par un ajustement fin épistémique, la redistribution de l'autorité et un discernement situé.(Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education)
• Cadres critiques et féministes. La recherche critique et féministe soutient que la littératie en IA devrait être encadrée par des pédagogies de la justice, de la résistance et de la durabilité culturelle — en demandant quel savoir l'IA produit, qui en bénéficie, et qui est responsable lorsque les systèmes échouent.(Can we disrupt the momentum of the AI colonization of science education?)
• Dispositifs curriculaires situés. La littératie en IA peut être bâtie par des instruments pédagogiques situés et actifs (par exemple les épisodes d'apprentissage situé) qui développent les compétences en IA à travers les niveaux, plutôt que par un enseignement abstrait.(Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning)
• La composition créative comme pédagogie de littératie critique en IA. Plutôt que de traiter la littératie en IA comme un savoir technique ou des compétences individuelles, concevez des occasions pour les apprenants de composer des messages au sujet de l'IA destinés à de vrais publics — un produit multimodal tel qu'une annonation d'intérêt public démontre et communique simultanément la compétence critique. Dans l'étude de classe de Burriss et al. (2026), 22 élèves de 11e année ont choisi leurs propres questions d'éthique de l'IA et ont réalisé des annonations d'intérêt public vidéo portant sur la surveillance scolaire, le consentement éclairé et l'accusation algorithmique ; dans les sept films, le préjudice émergeait de l'intrication humain-machine plutôt que d'un outil malfaisant, les intrigues se refermaient malgré tout sur l'espoir et l'autonomie, et les auteurs positionnent la narration et le plaidoyer — résistants à l'évaluation traditionnelle — comme centraux dans une pédagogie de littératie critique en IA qui centre l'identité de l'étudiant, le choix et la voix.("Young Scholar[s] on the Beat": Multimodal Composition as a Form of Critical AI Literacy Pedagogy)
• Compétence régulatrice, et non acceptation. Kim (2026) recadre la littératie en IA dans l'enseignement supérieur comme une compétence régulatrice — une pratique accomplie consistant à vérifier, réviser, adopter sélectivement ou rejeter les productions de l'IA durant le travail académique — montrant que la capacité d'évaluation et la conscience éthique (et non la simple volonté d'utiliser l'IA) prédisent l'engagement actif et critique.(From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource)
• Reconnaître la sycophancie comme compétence de littératie. Une compétence évaluative centrale consiste à reconnaître quand une IA est d'accord avec l'apprenant plutôt que correcte. La sycophancie contextuelle montre que la littératie en IA et la formation à la rédaction d'invites réduisent — sans l'éliminer — le miroir sycophant des erreurs de l'utilisateur, et qu'une IA sycophante est préférée par les utilisateurs précisément parce qu'elle leur donne le sentiment d'être compris. La littératie en IA doit donc apprendre aux apprenants à détecter l'accord pour lui-même et à valoriser la friction corrective, ce qui se relie à la calibration de la confiance et à la réduction des usages abusifs.
• Valoriser, et pas seulement vérifier. O'Byrne (2026) a constaté que les étudiants qui ne contrôlaient les productions que pour leur exactitude, leur crédibilité et leur pertinence acceptaient néanmoins des travaux conceptuellement aplatis, tandis que ceux qui jugeaient aussi la nuance, la voix et la posture épistémique les rédigeaient à nouveau — faisant du « quand ne pas déléguer le jugement » la question de la littératie.

Ces courants critiques complètent les dimensions opérationnelles et cognitives de la littératie en IA : là où ces dernières demandent « l'apprenant peut-il utiliser et évaluer l'IA ? », la littératie critique en IA demande « l'apprenant comprend-il et met-il au défi les structures de pouvoir que l'IA incarne ? »

La littératie en IA dans l'enseignement STEAM

La base de preuves disciplinaires la plus développée pour la littératie en IA provient de l'enseignement STEAM, et Hallström, Chiu, Ding, Koretsky et Li (2026) en synthétisent les dix études les plus citées (2022–2026) pour montrer à la fois la ligne de base et ses limites. Dans l'ensemble du corpus, la littératie en IA est définie par six construits qui se recouvrent — connaissances/compétences/attitudes (Su & Yang 2024), connaissances conceptuelles, procédurales et contextuelles (Stolpe & Hallström 2024), savoir-comprendre/utiliser-appliquer/évaluer-créer/éthique (Ng et al. 2022), et le cadrage usage–communication–évaluation de Long & Magerko (Hornberger et al. 2023) — si bien que l'« ambiguïté conceptuelle » du champ est un problème de mesure : deux études peuvent toutes deux évaluer la « littératie en IA » sans évaluer le même construit. Seules deux des dix proposent des cadres complets. La conclusion la plus aiguë de la revue est une asymétrie — le corpus mesure presque exclusivement la littératie des étudiants tandis que presque rien ne développe celle des enseignants, une lacune qui laisse les interventions de littératie en IA destinées aux enseignants reposer sur des suppositions plutôt que sur des preuves, et que les auteurs relient à l'exigence pratique que les enseignants soient eux-mêmes lettrés en IA pour conduire de telles interventions.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

Les preuves portant sur les agents conversationnels dans ce corpus vont à l'encontre d'une formation fondée sur la fluidité. Ding et al. (2023) ont constaté que le tutorat par ChatGPT en physique universitaire augmentait la confiance et les connaissances mais renforçait la conception erronée d'une IA « surhumaine et infaillible », concluant que l'éducation à la littératie en IA consiste « d'abord et avant tout à améliorer les compétences de pensée critique des étudiants dans l'évaluation de l'information ». Xu et al. (2026) ont constaté que la programmation STEAM soutenue par ChatGPT améliorait la confiance et les connaissances mais laissait la pensée informatique et la pensée indépendante inchangées — des gains de fluidité coexistant avec aucun gain de pensée. Ces deux constats font écho aux préoccupations de calibration de la confiance et de recours excessif ailleurs sur cette page : un tuteur qui ne contredit jamais l'étudiant peut produire des apprenants confiants mais incapables d'évaluer. L'attitude, et non la disponibilité ni le sentiment d'efficacité personnelle, s'est révélée le déterminant le plus fort de l'usage réel des outils d'IA parmi les étudiants de premier cycle en STEAM (Falebita & Kok 2025), et la revue note que la couverture disciplinaire STEAM est biaisée vers la biologie et la physique, la technologie comme matière étant presque absente. Pour une conception propre à la discipline, l'avertissement pratique de la revue est que les cadres de compétences complets (UNESCO, UE/OCDE) « manquent souvent de lien avec la recherche empirique ou d'un fondement théorique suffisant » et que peu sont applicables en classe.

Les compétences de qui comptent ? La fracture entre le cadrage des enseignants et celui des employeurs

Une question ouverte centrale de la littératie en IA est celle de savoir quelles compétences importent, et pour qui. Une étude d'Ithaka S+R comparant la manière dont des enseignants et des employeurs américains hiérarchisent les 26 compétences du cadre de compétences en IA HiBob a constaté qu'ils s'accordaient sur l'importance d'une seule (fixer des attentes réalistes pour un travail augmenté par l'IA). Les enseignants pondèrent une orientation d'usage critique et responsable — reconnaître les limites de l'IA, la transparence et l'attribution, la responsabilité humaine, l'examen proactif des productions — ce qui s'aligne sur les valeurs académiques d'attribution, d'examen et de littératie informationnelle. Les employeurs pondèrent des compétences orientées vers la productivité — évaluation et refonte du flux de travail, automatisation, et constitution d'équipes humain-IA — qui reflètent l'efficacité des équipes sur le lieu de travail. Parce que seulement trois des 26 compétences sont enseignées par la moitié ou plus des enseignants, et que celles qui sont enseignées penchent vers les catégories d'usage critique, le rapport identifie un fossé concret de compétences en IA : des catégories entières que les employeurs valorisent ne sont ni priorisées ni enseignées dans les programmes universitaires.(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) Cette fracture présente la littératie en IA comme un construit contesté — littératie d'usage critique pour les contextes académiques contre littératie d'intégration au flux de travail pour l'emploi — une tension pertinente pour la manière dont l'usage de l'IA est présenté aux étudiants, la conception de programmes et la formation professionnelle.

Les notations que font les étudiants eux-mêmes racontent une histoire apparentée mais ordonnée différemment. ElSayary et Ragab (2026) ont interrogé 380 étudiants universitaires, pour la plupart inscrits en STIM et utilisateurs fréquents de l'IA, et ont constaté que la littératie en IA auto-déclarée portait l'essentiel de l'explication de la disponibilité à l'emploi perçue : quatre dimensions de littératie ajoutaient ΔR² = 0.554 (p < .001) par-dessus des contrôles de contexte ne valant que 0.054, et le modèle complet atteignait 60.8% de la variance. Au sein de l'ensemble des littératies, la dimension évaluative était la plus forte (Analyser et évaluer, β = 0.286), suivie de la dimension affective (Attitudes et dispositions mentales, β = 0.266), l'usage pratique (β = 0.217) et les connaissances fondamentales (β = 0.187) venant derrière ; pour la préparation à la carrière perçue spécifiquement, seuls Analyser et évaluer (β = 0.216, p < .001) et Attitudes et dispositions mentales (β = 0.192, p = .004) étaient significativement associés. Lue à l'aune de la fracture d'Ithaka, la conscience qu'ont les étudiants de leur propre disponibilité pour le lieu de travail penche vers l'orientation d'évaluation critique que favorisent les enseignants, plutôt que vers les compétences d'intégration au flux de travail que pondèrent les employeurs. Le dispositif est une auto-déclaration à session unique, avec des moyennes uniformément élevées (de 4.17 à 4.57 sur 5) et sans mesure des employeurs ni de l'emploi, si bien que ce qu'il montre est que la littératie en IA auto-évaluée et l'employabilité auto-évaluée évoluent ensemble, les parts évaluative et dispositionnelle faisant l'essentiel du travail, et non que ces étudiants sont démontrablement prêts pour le marché du travail.

Concevoir des interventions de littératie en IA

Les cadres et les études empiriques de la base de connaissances convergent vers un ensemble de lignes directrices pratiques pour les éducateurs et les concepteurs pédagogiques qui bâtissent des interventions de littératie en IA :

1. Utiliser un cadre de compétences structuré comme étayage, et non comme liste de contrôle. Des cadres matures donnent aux concepteurs un vocabulaire partagé et une cible séquencée sur le plan du développement. Le cadre SAIL organise la littératie en IA en trois domaines (concepts d'IA ; compétences d'application et techniques ; citoyenneté numérique en IA) répartis sur quatre niveaux étayés — Comprendre et explorer → Appliquer et intégrer → Évaluer et créer → IA++. L'heptagone de la littératie en IA croise sept dimensions (connaissances techniques, application, pensée critique, éthique, impact social, intégration, aspects juridiques et réglementaires) avec quatre niveaux de compétence alignés sur Bloom, et insiste sur le fait que l'accent doit être adapté au contexte disciplinaire — les programmes techniques pondèrent l'application, les programmes de lettres et sciences humaines pondèrent le raisonnement éthique et sur l'impact social.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. Engager les apprenants à travers les modes ICAP. En appliquant le cadre ICAP, un enseignement efficace donne aux apprenants des occasions de s'engager à plusieurs niveaux cognitifs — exposition passive (cours sur les concepts d'IA), manipulation active (usage pratique des outils), génération constructive (création d'artefacts d'IA, auto-explication), et dialogue interactif (résolution de problèmes collaborative avec les pairs et l'IA) — en choisissant le mode qui correspond à l'objectif d'apprentissage. Une revue systématique a constaté que les interventions collaboratives de littératie en IA couronnées de succès couvraient les quatre modes ICAP.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. Évaluer la compétence démontrée, et non l'auto-perception. La littératie en IA auto-déclarée diverge fortement de la performance mesurée — les enseignants surestiment leurs compétences en IA d'environ 40%, et les mesures fondées sur la performance corrèlent bien mieux avec l'intégration de l'IA en classe que les auto-déclarations (r≈0.72 contre 0.31). Concevez les interventions autour d'une évaluation fondée sur la performance et d'une calibration, plutôt que d'enquêtes de confiance, et utilisez des profils diagnostiques (surestimateurs contre vrais novices) pour cibler le soutien.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. Bâtir des dispositions métacognitives et critiques, et pas seulement une compétence opérationnelle. La littératie en IA est mieux comprise comme une pratique sociale métacognitive que comme une liste de compétences : parce que les LLM sont probabilistes et opaques, les apprenants doivent surveiller et ajuster leurs stratégies, cultiver le scepticisme scientifique, et interroger la manière dont les algorithmes façonnent la production de savoir — et pas seulement apprendre à faire fonctionner des outils. La co-conception participative et les espaces expérimentaux et fondés sur les projets (et non les formations ponctuelles aux outils) sont les lieux où cette conscience croît.(Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. Intégrer la littératie dans la discipline et la rendre soutenue. Le mouvement vers des stades supérieurs de littératie en IA (de l'usage non critique → l'usage informé → l'évaluation critique → l'amélioration) est le plus visible lorsque les expériences sont soutenues et intégrées à la discipline plutôt que dispensées sous forme d'ateliers autonomes. Concevez pour une pratique répétée et contextuelle au sein de travaux de cours authentiques.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) Un modèle concret de littératie critique intégrée à la discipline est la taxonomie fondée sur les tâches de Dierickx et al. (2026) pour le journalisme : elle cartographie les tâches soutenues par les LLM selon les quatre étapes du flux de travail journalistique (collecte de l'information, mise en sens, édition, publication et diffusion), chacune rattachée à une invite de référence et à une stratégie de risque et d'atténuation. En traitant la définition des tâches et la rédaction d'invites comme une forme située de jugement professionnel — et non comme une compétence technique neutre — elle transforme la rédaction d'invites elle-même en véhicule de littératie critique en IA (biais, hallucination, recours excessif, et la valeur durable de la supervision éditoriale humaine), et sa logique sous-jacente se transpose à d'autres professions intensives en savoir (le droit, la médecine, les politiques publiques). Complémentaire de telles taxonomies propres aux disciplines, la taxonomie de Dohn et al. (2026) classe les activités d'apprentissage avec GenAI selon six dimensions, dont l'engagement épistémique (comprendre / utiliser / critiquer / construire GenAI) opérationnalise directement la littératie en IA comme la profondeur de la relation cognitive des apprenants avec la technologie — de l'exposition passive à la critique et à la construction actives.

6. Traiter l'équité et la fracture numérique comme des contraintes de conception. La littératie en IA est un mécanisme pour traiter la fracture numérique à trois niveaux (accès, compétences, résultats) : combler l'écart des dispositifs est insuffisant, à moins que des compétences et un usage critique soient bâtis de sorte que les bénéfices se répartissent équitablement. Les interventions devraient planifier explicitement pour les apprenants qui entrent avec un accès préalable à l'IA moindre, et intégrer des perspectives culturelles et de gouvernance plutôt que de traiter la littératie comme culturellement neutre.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(La fracture numérique)

7. Assortir la littératie de leviers de réduction des usages abusifs. Parce que les usages abusifs de l'IA nuisent activement à l'apprentissage durable, l'enseignement de la littératie devrait être couplé aux leviers structurels et éducatifs documentés sous réduction des usages abusifs — conception d'outil dotée de garde-fous du type « indice et non réponse », refonte de l'évaluation, et séquences étayées « réfléchir d'abord, IA ensuite » accompagnées d'une pratique délibérée de la rédaction d'invites.

8. Partir du point d'entrée réel des apprenants. Les apprenants entrent avec des orientations distinctes — évitement poussé par la peur, la méfiance ou le manque d'accès, contre recours non critique qui masque l'incompréhension. Une approche diagnostique et fondée sur les stades (plutôt qu'un programme uniforme) permet aux concepteurs de rejoindre les étudiants là où ils sont et de les faire progresser vers un engagement critique et responsable.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. Étendre l'offre au-delà des publics que l'éducation formelle atteint déjà. Le cadre des littératies en IA pour les médias de service public soutient, à partir d'une revue de paysage portant sur plus de 40 cadres et 35 entretiens d'experts, que l'offre a penché vers les compétences techniques et fonctionnelles, et que les littératies en IA se recoupent et devraient être reliées aux littératies numérique, médiatique et informationnelle plutôt qu'enseignées comme une matière autonome. Sa structure — six domaines de compétence, cinq valeurs et trois niveaux de progression (Comprendre et appliquer, Analyser et évaluer, Synthétiser et se spécialiser) assortis d'un guide d'évaluation — est un modèle utilisable pour les prestataires extérieurs à la scolarité formelle, et son argument d'équité est une instruction de conception : atteindre des jeunes marginalisés numériquement ou autrement exige des partenariats délibérés, non une publication universelle.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

Mesurer la littératie en IA

Un courant de recherche distinct traite la littératie en IA non seulement comme une cible d'enseignement, mais comme un construit à mesurer. Le volet d'évaluation de la base de connaissances distingue la littératie auto-déclarée de la littératie fondée sur la performance : les auto-déclarations divergent fortement de la compétence démontrée (les enseignants surestiment d'environ 40%), et les mesures fondées sur la performance prédisent bien mieux l'intégration de l'IA en classe que les enquêtes de confiance (r≈0.72 contre 0.31). Les travaux d'intervention reproduisent cette divergence au niveau du comportement : chez Clerc et al. (2026), ni les attitudes envers GenAI ni une échelle générale de conscience métacognitive ne prédisaient la régulation par les étudiants de l'interaction avec les LLM ni leurs scores finals à la tâche (r = .01 et r = .04, tous deux non significatifs), tandis que les comportements que l'atelier avait changés — rejeter les invites sous-spécifiées, juger l'exactitude des réponses, poser une question de suivi — suivaient bien la qualité des réponses. Des instruments validés émergent pour combler cette lacune — le GLAT fournit une évaluation de littératie en IA générative validée sur le plan psychométrique, et des profils diagnostiques (surestimateurs contre vrais novices) permettent aux concepteurs de cibler le soutien là où il est nécessaire. Guo et al. (2026) cartographient directement ce paysage d'instruments, en passant en revue 80 cadres validés — 69 de littératie numérique et 11 de littératie en IA — publiés entre janvier 2014 et février 2025. L'IA a tiré la littératie numérique vers l'éthique et recasté la communication pour y inclure l'interaction humain-IA, tandis que la régulation métacognitive et la collaboration humain-IA propre aux éducateurs restent les moins spécifiées. Pour la conception et la recherche, cela relie la littératie en IA à l'mesure en éducation et à l'évaluation au sens large : un cadre de littératie n'est utile qu'à proportion des instruments utilisés pour suivre la croissance, et des continus fondés sur les stades exigent une mesure fiable pour y placer les apprenants.

Un instrument à 32 items et six facettes étend le modèle à quatre dimensions de deux facettes supplémentaires — usage responsable et autodéveloppement — et maintient l'invariance scalaire entre adolescents (12–17), jeunes adultes (18–40) et adultes d'âge moyen (41–60), bien que les auteurs préviennent que le ΔCFI approchait le seuil conventionnel (Liu et al. (2026)).

Zhi, Yang et Huang (2026) bâtissent un modèle propre aux étudiants diplômés sur la taxonomie de Marzano : l'analyse par théorie ancrée d'entretiens menés avec 14 professeurs a condensé 329 étiquettes brutes en 96 concepts, 15 catégories et cinq dimensions (fondement cognitif, compétences opérationnelles, pensée d'ordre supérieur, réflexion métacognitive, responsabilité éthique), puis les ont opérationnalisées sous forme d'une échelle de Likert de 15 items, dont les cinq facteurs ont émergé en analyse factorielle exploratoire (83.14% de la variance cumulée) et se sont maintenus en analyse factorielle confirmatoire sur un second sous-échantillon (CFI = 0.934, RMSEA = 0.083), avec une fiabilité allant de 0.796 à 0.842 sur 308 questionnaires valides.

L'échelle Critical 3wAI Literacy (Bozkurt, Ertan & Cömert, 2026) valide la même structure en trois parties pour des apprenants adultes comme instrument d'auto-déclaration (n = 546 et n = 647 ; χ²/df = 4,93, CFI = 0,931, α = 0,913). Ses facteurs Savoir-faire et Savoir-pourquoi se sont révélés les plus étroitement couplés (HTMT = 0,544), tandis que la connaissance théorique seule ne s'est pas traduite en efficacité pratique. En tant que mesure d'auto-déclaration, elle partage le problème de divergence documenté plus haut, si bien que c'est un diagnostic validé plutôt qu'une mesure de la performance — et les auteurs appellent à une revalidation selon les groupes d'âge et les contextes culturels.

Une question apparentée est celle de savoir ce que les instruments peuvent mesurer, tout court. Burriss et al. (2026) notent que les échelles de littératie en IA et les cadres de compétences existants supposent une performance individuellement mesurable et excluent donc structurellement l'expression collaborative et créative — les preuves de leur unité étaient des artefacts filmiques multimodaux, des réflexions et un discours civique, plutôt qu'un score sommative, et les auteurs soutiennent que de telles preuves peuvent compléter les mesures conventionnelles plutôt que les remplacer. Élargir le construit pourrait donc exiger d'élargir les preuves admissibles, et pas seulement d'ajouter des items riches en modalités aux échelles existantes.

Un courant complémentaire mesure la manière dont les apprenants et les enseignants reçoivent les matériaux de littératie en IA, plutôt que leur littératie elle-même. Wang, Chuang et Wu (2026) ont demandé à 794 étudiants et 37 enseignants de noter deux éditions de guides construits selon le seuil d'âge de l'UNESCO (9-12 ans et 13-18 ans), après environ 30 minutes d'exposition guidée en classe. L'acceptation maintenait une structure à quatre facteurs (attente de performance, attente d'effort, caractère ludique perçu, intention comportementale), avec une invariance de mesure soutenue entre les deux éditions étudiantes, les apprenants plus jeunes notant plus haut sur les quatre construits, et le caractère ludique perçu portant la plus forte association avec l'intention dans les deux cohortes. Les auteurs sont explicites sur ce que cela n'est pas : l'acceptation perçue d'une ressource hiérarchisée par âge n'est pas un accomplissement de littératie en IA, un raisonnement éthique, une adoption ni un usage soutenu, et l'acceptation au niveau du matériel ne devrait pas être lue comme une preuve que la littératie s'est améliorée.

La mesure s'étend aussi aux éducateurs qui médiatisent l'engagement des apprenants avec l'IA. La plupart des évaluations de littératie en IA ciblent les étudiants ou les utilisateurs généraux, laissant une lacune dans la formation des enseignants — une lacune que comble l'échelle de littératie en IA des enseignants (TAILS) : ancrée dans le cadre ED-AI, avec six dimensions (connaissances, évaluation, collaboration, contextualisation, autonomie et éthique), elle a été validée par analyse factorielle exploratoire et confirmatoire auprès d'enseignants de langues en formation initiale. De tels instruments soutiennent la mesure et le développement de la littératie en IA des éducateurs qui médiatisent l'engagement des apprenants avec l'IA. Du côté des étudiants, Nie et al. (2026) élaborent et valident une échelle de littératie en évaluation par IA générative (GAA-LS) destinée aux étudiants de l'enseignement supérieur — un instrument à 18 items et cinq facteurs, dont les scores suivent l'engagement dans la rétroaction, l'intégrité académique et l'usage responsable de l'IA, avec un chemin indirect vers l'intégrité passant par la rétroaction — la preuve que la littératie en IA propre à l'évaluation est mesurable et se relie au comportement d'intégrité. Ce que contient réellement ce corpus d'instruments destinés aux enseignants a depuis fait l'objet d'un audit : l'examen de 2026 par Zainal, Mohd Matore et Maat des outils de mesure de la littératie en IA des enseignants a évalué 33 instruments publiés entre 2019 et 2025, et a constaté que 31 (93.9%) étaient des échelles auto-déclarées de confiance perçue, que seulement deux testaient les connaissances de manière objective, et qu'aucun ne recourait à des tâches fondées sur la performance, tandis que les preuves d'équité étaient le domaine de qualité le plus faible, avec seulement cinq instruments rendant compte d'une invariance de mesure ou d'un fonctionnement différentiel des items.

La mise à jour de 2026 de cette littérature sur la mesure la réorganise en quatre domaines — connaissances et usage, surveillance épistémique, calibration du recours, et contrôle opérationnel des agents utilisant des outils — et rend compte qu'aucun instrument validé au niveau individuel dans le corpus ne couvre la combinaison complète de portée, d'autorisations, de récupération, d'isolement d'état, d'examen indépendant et de clôture fondée sur les preuves qu'exige l'usage d'outils agentiques. Sa corrélation subjective–objective regroupée sur trois effets de même échantillon était de r = .055, ce qui correspond à la divergence décrite ci-dessus plutôt qu'à des auto-évaluations comme indicateur utilisable (Verí (2026)).

Le paysage de la mesure est lui-même désordonné, et désormais partiellement cartographiable. He, Zhang, Wang et Ji (2026) ont analysé le corpus d'instruments de littératie en IA avec un pipeline de codage fondé sur les LLM, et ont constaté que le champ mesure de nombreux construits sous une même étiquette — un problème de « jangle », où un construit porte plusieurs noms (l'engagement comportemental apparaît dans huit paires candidates, la motivation intrinsèque dans cinq), ainsi que des cas candidats de « jingle », où des instruments partagent une étiquette mais non leur contenu en items. Leur recouvrement de la structure des items et des construits par similarité sémantique ne corrélait que modérément avec les fiabilités rapportées par les instruments eux-mêmes (r = 0.49 au niveau des items contre 0.45 et 0.35 au niveau des construits), et ils proposent la méthode comme un tri plutôt que comme un arbitrage. La conséquence, pour quiconque choisit une mesure, est que les affirmations de convergence entre études ne sont pas sûres : deux instruments de même nom peuvent ne pas opérationnaliser le même construit.

Ce que ces instruments peuvent supporter a depuis fait l'objet d'un audit, et l'audit est sobre. Jin, Gašević, Martinez-Maldonado et Yan (2026) ont passé au crible 8,056 enregistrements pour retenir 58 études couvrant 47 instruments uniques, évalués avec COSMIN contre un construit dont la fenêtre d'élaboration d'instruments s'est comprimée en trois ans (deux instruments avant 2023, 28 en 2025 seulement). Le corpus reste composé à 37 sur 47 de mesures auto-déclarées, et les preuves se regroupent étroitement autour de la structure interne : la validité structurelle était suffisante dans 32 des 58 études et la consistance interne dans 32, aucune n'étant notée insuffisante, mais la validité de construit n'était rapportée que par 15 études (12 suffisantes), la validité de critère par une seule, l'invariance de mesure par cinq (toutes suffisantes), et seulement 2 des 58 ont obtenu une notation suffisante de validité de contenu globale — l'exhaustivité était insuffisante dans 53, bien que 43 études rendent compte d'entretiens cognitifs. La régularité est que la pratique de l'mesure semble robuste exactement là où elle est la moins coûteuse à démontrer, et mince là où les preuves doivent venir de l'extérieur de l'instrument, si bien qu'une structure factorielle propre et un coefficient élevé (qui peuvent refléter la redondance des items autant que la représentation du construit) ne devraient pas être lus comme une capacité démontrée. La prescription des auteurs est la consolidation plutôt que la prolifération : affiner les échelles existantes, tester l'invariance chaque fois qu'une échelle franchit une langue ou un stade éducatif, et ajouter des preuves de critère en reliant les scores à des tâches de performance.

L'une des exceptions est conçue pour comparer des groupes. Zhang et al. (2026) ont élaboré l'échelle de littératie en IA générative (GAILS) — 43 items réduits à 34 par un examen Delphi à cinq experts et un pilote à sept personnes, puis validée auprès de 341 adultes d'Amérique du Nord — et ont testé l'invariance scalaire, constatant qu'elle se maintenait entre répondantes et répondants, et entre groupes d'étudiants et de salariés. C'est ce qui autorise les comparaisons de moyennes que rapporte l'instrument — les hommes notant modestement plus haut en compétences opérationnelles adaptatives, les étudiants plus haut en compétences opérationnelles adaptatives et en littératie responsable en IA générative — comme des différences de compétence plutôt que comme un fonctionnement différentiel des items, et c'est ce qui rend l'échelle utilisable dans les contextes de l'enseignement supérieur et du lieu de travail, plutôt que seulement chez les étudiants. Ses propres preuves ne sont pas irréprochables : l'ajustement était mixte (CFI = .967 et SRMR = .058 dans les seuils conventionnels, RMSEA = .087 au-dessus), l'α total de .973 voisine avec une comparaison discriminante de Fornell–Larcker échouée (√AVE du facteur 1 = .828 contre r = .873 avec le facteur 3), et, comme presque tout le corpus, elle mesure une compétence perçue sans critère comportemental. Une échelle validée dans ce champ est un point de départ pour les travaux d'invariance et de critère que réclame la revue, non un repère de référence achevé.

Connexions à travers la base de connaissances

La littératie en IA recoupe le tutorat par IA (comprendre quand et comment les tuteurs d'IA sont efficaces), la compétence des enseignants en IA (la préparation des éducateurs), l'intégrité académique (savoir ce qui constitue un usage approprié de l'IA), et l'IA en éducation au sens large. Elle est à la fois une condition préalable à un usage efficace de l'IA et un résultat d'une intégration bien conçue de l'IA — les étudiants apprennent la littératie en IA EN utilisant l'IA de façon critique, et pas seulement en apprenant DES choses AU SUJET de l'IA.

La littératie en IA est à double tranchant pour le recours excessif : Maizel et al. (2026) ont constaté que les dimensions fondées sur les compétences de la littératie en IA (utiliser et comprendre, détecter) étaient positivement associées à la dépendance déclarée à l'IA, tandis que le sentiment d'efficacité personnelle en IA et la confiance académique y étaient négativement associées — si bien qu'une formation technique à la littératie en IA, en l'absence d'échafaudages de sentiment d'efficacité personnelle et d'autorégulation, peut accroître la dépendance. La littératie en IA devient ici une capacité habilitante dont la direction dépend de ressources motivationnelles complémentaires.

• Les habitudes de vérification ne portent leurs fruits que par la régulation. Dans l'enquête de Davor, Larbi et Boateng (2026) menée auprès de 533 étudiants universitaires au Ghana, la littératie en vérification de l'IA n'avait aucun effet direct significatif sur la pensée critique (bêta = .076, p = .090) ni sur la résolution de problèmes technique (bêta = .043, p = .385) et n'importait que par l'autorégulation métacognitive (bêta = .167, p < .001), une médiation complète que les auteurs appellent l'activation métacognitive. L'étayage des tâches par l'IA prédisait les deux résultats (bêta = .185 et .170), tandis que la tendance au délestage cognitif les prédisait négativement (bêta = -.240 et -.312) et déprimait aussi la régulation (bêta = -.294). Enseigner aux étudiants à contrôler les productions de l'IA ne suffit donc pas à lui seul : les habitudes d'évaluation ont besoin que la planification, le suivi et la réflexion soient bâtis dans la tâche.

• La critique des productions de l'IA comme pratique de littératie : Hosseini (2026) traite l'évaluation des erreurs générées par l'IA comme une compétence centrale de littératie en IA, en recourant à l'analyse des modes de défaillance et à l'affinement itératif des invites dans un cours de conception de bases de données. L'étude a constaté que les étudiants surestimaient leurs capacités avec l'IA (littératie auto-déclarée faiblement et négativement corrélée avec la compétence objective), et que l'apprentissage fondé sur la critique renforçait la calibration.

• Littératie en IA humaniste socialiste (2026) : une revue de littérature critique la littératie en IA orientée vers la conformité et propose un cadrage humaniste socialiste de la littératie en IA asynchrone et de l'usage loyal dans l'enseignement supérieur, reliant la fracture numérique historique à la littératie en IA moderne et appelant à des approches qui servent l'épanouissement humain et l'équité plutôt que la conformité mécanique aux politiques (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).

• Des avertissements légers et peu coûteux émoussent la persuasion de l'IA — sans coûter de confiance générale. Orchinik et Rand (2026) ont préenregistré deux expériences (total N = 3,208 adultes américains) dans lesquelles les participants conversaient avec un LLM chargé de faire évoluer leurs opinions sur des sujets politiques. Un seul avertissement bref — selon lequel les modèles peuvent être sollicités pour persuader et peuvent présenter l'information de manière sélective — a réduit d'environ moitié le changement de croyance (-48.1%, IC à 95% [-59.5%, -36.8]) par rapport au contrôle, et l'ajout d'avertissements sur des techniques de persuasion spécifiques n'a produit aucun bénéfice supplémentaire. La propriété qui importe pour l'enseignement se situe de l'autre côté de l'effet : la confiance générale dans l'IA générative n'a pas chuté, si bien que l'intervention bâtit une confiance calibrée plutôt qu'un scepticisme généralisé. C'est une intervention d'un paragraphe, sans facilitation, ce qui constitue un profil de coût rare pour une conception de littératie en IA.

• La gouvernance de l'IA par l'apprenant importe plus que la conception de l'outil. Azimi (2026) a réparti au hasard 33 étudiants d'un cours de master d'analytique de données entre un coach d'étude par IA étayé, intégré aux carnets (n = 16), et l'usage sans restriction de tous les outils d'IA générative de leur choix (n = 17), pendant sept semaines. La performance aux devoirs et les gains à l'inventaire de concepts étaient indiscernables ; la condition Coach rapportait en revanche une confiance plus élevée. Ce qui séparait les étudiants était la littératie en IA en pratique : ceux qui avaient formulé leurs propres règles sur le moment d'utiliser l'IA obtenaient des scores plus élevés dans les deux conditions, et les étudiants ayant la compréhension la plus profonde des modèles — tous autodidactes — rédigeaient les invites le plus délibérément. L'implication pour la conception va à l'encontre du réflexe de contrôle : enseignez les composantes d'autorégulation et de compréhension des modèles de la littératie en IA, plutôt que de contraindre les outils.

Concepts liés

• Patrons pédagogiques — Élaborées par les étapes d'examen critique de ces séquences
• Apprenants — Apprenants : le parapluie des concepts du côté de l'apprenant
• L'IA générative — la technologie que cible la littératie en IA
• Grands modèles de langue (LLM) — les systèmes au cœur de la littératie en IA
• La pensée critique — disposition évaluative centrale
• L'ingénierie des invites — compétence pratique centrale
• La métacognition — la littératie comme pratique sociale métacognitive
• Délestage cognitif — le risque de recours excessif que contre la littératie
• Réduire les mésusages de l'IA — le bénéfice comportemental de la littératie
• Intégrité académique — savoir ce qui constitue un usage approprié de l'IA
• Auto-évaluation — juger son propre travail et sa propre compétence, comme technique et comme mesure
• Le calibrage de la confiance — calibrer une confiance appropriée
• Sycophancie de l'IA — la compétence de littératie consistant à détecter l'accord
• L'équité — répartition équitable de la littératie
• La fracture numérique — l'écart accès/compétences/résultats
• L'éthique — dimension de conscience éthique
• La compétence des enseignants en IA — préparation des éducateurs
• Le développement éducatif — bâtir la littératie des éducateurs
• Recherche éducative assistée par IA — Recherche éducative assistée par IA
• Primaire et secondaire (K-12) — littératie au niveau scolaire
• Enseignement supérieur — littératie au niveau universitaire
• Développement de carrière et préparation professionnelle — le bénéfice d'employabilité que la littératie en IA est censée bâtir
• L'IA en éducation — le champ plus large

Articles liés

• Modeling the Relationships Between University Students' AI Competence, AI Ethical Awareness, and AI Anxiety: A Dual-Stage PLS-SEM and ANN Analysis - Élever la dimension éthique de la littératie sans cadre d'adaptation peut laisser les étudiants plus anxieux

• Reconceptualizing digital literacy in the AI era: A systematic review of validated frameworks from an ecological perspective — 80 cadres validés montrent l'IA étendant la littératie numérique vers l'éthique, tandis que la collaboration humain-IA propre aux éducateurs reste sous-spécifiée (Guo et al. 2026)

• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — Six domaines de compétence, cinq valeurs et trois niveaux de progression pour les médias de service public

• The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education — L'heptagone de la littératie en IA

• Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education — Un continuum pratique à cinq stades pour la littératie en IA

• Clarifying the Conceptual Landscape in AI Literacy Measurement: A Large Language Model Based Approach — Cartographier le corpus d'instruments de littératie en IA : 55 construits, paires de jangle et de jingle, codage fondé sur les LLM

• Measuring Artificial Intelligence Literacy: A Systematic Review of Instrument Development, Conceptual Foundations, and Psychometric Quality — Évaluation COSMIN de 58 études et de 47 instruments de littératie en IA : les preuves de validité se regroupent autour de la structure interne, tandis que les preuves de critère, de contenu et d'invariance restent largement manquantes (Jin et al. 2026)

• The Generative Artificial Intelligence Literacy Scale (GAILS): Development, Validation, and Measurement Invariance Across Sex and Occupational Status Groups — GAILS : échelle de littératie en IA générative à 34 items validée auprès de 341 adultes, invariante à l'échelle selon le sexe et les groupes étudiants/salariés (Zhang et al. 2026)

• GLAT: The Generative AI Literacy Assessment Test — GLAT : un test validé d'évaluation de la littératie en IA générative

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Évaluation de la littératie en IA : désalignement entre auto-déclaration et performance

• Development and validation of the generative AI assessment literacy scale for higher education students — GAA-LS : échelle de littératie en évaluation par IA générative validée pour les étudiants de l'enseignement supérieur (Nie et al. 2026)

• Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — Au-delà de la littératie en IA : une revue structurée et une méta-analyse exploratoire des mesures de l'usage compétent de l'IA générative

• How AI literacy correlates with affective, behavioral, cognitive and contextual variables: A systematic review — revue systématique de ce avec quoi la littératie en IA corrèle

• Assessing teachers' AI literacy: a systematic review of measurement tools — revue systématique des outils qui mesurent la littératie en IA des enseignants

• Development of an AI literacy self-assessment questionnaire in upper primary school students — questionnaire d'auto-évaluation pour les élèves du primaire supérieur

• Metacognitive AI literacy: going beyond the AI skills gap agenda — La littératie en IA comme pratique sociale métacognitive

• AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators — Méta-analyse des effets des interventions de littératie en IA

• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education — Le cadre de littératie en IA étayée (SAIL)

• Measuring Acceptance of Age-Tiered AI Literacy Guidebooks: A Developmentally Informed Study of K-12 Students and Teachers — Guides de littératie en IA hiérarchisés par âge, évalués avec 794 étudiants et 37 enseignants : structure d'acceptation à quatre facteurs invariante entre les éditions 9-12 et 13-18, avec des apprenants plus jeunes plus hauts sur chaque construit

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI” — Littératie critique en IA : pouvoir, résistance, autonomie

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — La littératie des invites comme littératie fondamentale distincte de l'ingénierie des invites : le modèle d'engagement GenAI centré sur l'humain en cinq phases (Miles, Haber-Curran & Arar 2026)

• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — La sycophancie contextuelle comme intervention de littératie en IA

• Understanding Student Dependency on AI: The Role of AI Literacy, Academic Self-Efficacy, and Resource Management Strategies — Littératie en IA, sentiment d'efficacité personnelle et dépendance

• Teaching Students to Question the Machine: An AI Literacy Intervention Improves Students' Regulation of LLM Use in a Science Task — un atelier de deux heures a changé la régulation de l'interaction avec les LLM chez les collégiens, tandis que les auto-déclarations ne prédisaient rien (Clerc et al. 2026)

• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — La littératie en IA comme capacité de gouvernance pour le développement durable : la taxonomie AIRE et le lien IA–ODD (Islam, Morshed & Islam 2026)

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Cadre de littératie en IA à cinq niveaux pour les éducateurs du secondaire ukrainiens (Marienko et al. 2026)

• STEAM Education for AI Literacy: A Systematic Literature Review — L'éducation STEAM pour la littératie en IA : revue systématique

• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — Cadre collaboratif de littératie en IA

• Co-Constructing AI Boundaries: Agency, Judgment, and Ethical Literacy in AI-Mediated Meaning-Making — recadre la littératie en IA comme le jugement de quel travail interprétatif ne devrait pas être délégué

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — La littératie en vérification de l'IA n'importait que par l'autorégulation métacognitive, tandis que le délestage cognitif prédisait une pensée critique et une résolution de problèmes plus faibles (Davor et al. 2026)

• Designing for AI literacy: psychological mechanisms and self-determination — Un enseignement fondé sur la pensée a battu un enseignement fondé sur les compétences sur une tâche notée objectivement, l'autonomie et la compétence portant l'effet (Yu, Lin & Chen 2026)

• Psychological predictors of continued ChatGPT use among university students: the roles of AI literacy, trust, and academic self-efficacy — Le chemin de la littératie en IA à l'usage continu de ChatGPT passe par la confiance et le sentiment d'efficacité personnelle académique, et l'anxiété face à l'IA amincit le premier lien (Hu 2026)

• Modeling and measuring graduate students’ generative AI literacy: a study based on Marzano’s taxonomy — Modèle à cinq dimensions ancré dans Marzano et échelle auto-déclarée de 15 items pour la littératie en IA générative des diplômés (Zhi et al. 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Onze études sur l'IA dans la formation initiale des enseignants de mathématiques, pour la plupart à court terme, avec l'éthique traitée dans trois seulement (Pinto et al. 2026)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Intégration de GenAI centrée sur la vérification en chimie universitaire, avec la traduction représentationnelle comme demande centrale de littératie en IA (Vega-Baudrit & Rivera Alvarez 2026)

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Qui agit, qui sait, qui répond ? Une analyse de discours assistée par corpus de l'autonomie, de la responsabilité épistémique et de l'obligation de rendre compte dans la recherche en enseignement supérieur sur l'IA générative

• Bridging the Gap: Investigating Students' Self-Reported AI-Literacy and Perceived Employability Competencies for an AI-Enabled Workforce — La littératie en IA auto-déclarée expliquait 60.8% de la disponibilité à l'emploi perçue, les dimensions évaluative et affective étant les plus fortes (ElSayary & Ragab 2026)

• From Competency to Agency: Teachers' Views of the Purposes of AI Education — Les finalités des enseignants pour l'éducation à l'IA lues à travers la qualification, la socialisation et la subjectification de Biesta, et l'heuristique d'autonomie éclairée en IA (Fagerlund et al. 2026)

• Teacher Readiness-By-Design for AI-Rich Interactive Learning — La disponibilité des enseignants comme qualité de conception plutôt que comme adoption ou confiance, le sentiment d'efficacité personnelle comme ressource et le non-usage comme non-indisponibilité (Charles 2026)

• The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis — L'éducation à l'IA au primaire et au secondaire a élevé la littératie en IA avec un g regroupé de 0.892 sur 57 effets positifs, et le désaccord sur la mesure explique l'hétérogénéité (Yu et al. 2026)

• Literacy demands placed on students in student–GenAI entanglements in higher education — Les demandes de littératie diffèrent selon le type d'intrication étudiant-GenAI ; les formes Assistant et Enabler dominent tandis que les autres restent marginales pour des raisons institutionnelles (Sun, Dohn & Rehm 2026)

• The AI Competence Framework Landscape: A Comparative Analysis of Frameworks for Education and Workforce Development — Analyse comparative de 16 cadres de compétence en IA pour l'éducation et le développement de la main-d'œuvre

• A Multidimensional Analysis of AI Literacy Determinants: External Resources, Digital Skills, and Psychological Profile Among University Students — Ressources externes, compétence numérique et profil psychologique comme déterminants conjoints, avec une inversion de signe de l'anxiété technologique

• The Six-Facet Artificial Intelligence Literacy Questionnaire (SFAILQ): Assessing AI Literacy in Adolescents, Young Adults, and Midlife Adults — Instrument à six facettes ajoutant les facettes d'usage responsable et d'autodéveloppement, invariant à l'échelle entre adolescents, jeunes adultes et adultes d'âge moyen

• Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — Modèle d'équations structurelles du bien-être des enseignants lié à l'IA, des soutiens sociaux et organisationnels

• What Does It Mean to Be AI Literate? Psychometric Validation of the Critical 3wAI Literacy Scale — Échelle d'auto-déclaration validée à 17 items comportant trois facteurs distincts de littératie en IA (Savoir quoi/comment/pourquoi) ; les facteurs Savoir-faire et Savoir-pourquoi sont les plus couplés (HTMT = 0,544)

• AI Literacy and STEM Education: Emerging Frontiers and Research Priorities — Synthèse des dix études les plus citées sur la littératie en IA dans l'enseignement STEAM (Hallström et al. 2026)