Technologies de l'IA

Cette page est traduite en français. Les pages d'articles sont encore rédigées en anglais. Lire cette page en anglais

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

Les technologies — les modèles, architectures et méthodes qui font fonctionner les systèmes d'IA en éducation, et le concept parapluie de la couverture, par la base de connaissances, de la couche technique. Là où la pédagogie et les théories de l'apprentissage portent sur la manière dont l'enseignement et l'apprentissage se produisent, et l'évaluation d'une intervention d'IA en éducation sur le point de savoir si l'IA fonctionne, cette page ancre le fil technique : les systèmes d'IA (grands modèles de langue, IA générative, modèles multimodaux, robots) et les techniques employées pour les construire, les contrôler et les déployer (ingénierie des invites, génération augmentée par la recherche documentaire, apprentissage par renforcement, TAL éducatif, graphes de connaissances, orchestration agentique).

Questions à examiner

On peut être un excellent éducateur sans savoir construire un LLM — mais cette page soutient que vos choix techniques façonnent néanmoins ce que l'IA peut et ne peut pas faire dans votre classe. Quelle est une manière dont la technologie sous-jacente d'un outil d'IA pourrait discrètement changer la façon dont vos étudiants apprennent, même si vous ne voyez jamais le code ?
Une hypothèse courante est que le modèle est toute l'histoire — mais des techniques comme la génération augmentée par la recherche documentaire (RAG) et l'ingénierie des invites existent précisément pour contrôler et ancrer les productions des LLM. Avant de poursuivre la lecture, lorsque vous demandez à une IA d'être « plus exacte » ou d'« utiliser cette source », que croyez-vous qu'il se passe réellement sous le capot ?
La RAG est décrite comme une technique centrale pour réduire l'hallucination et améliorer la sécurité. Pourquoi pensez-vous qu'aller chercher des connaissances pertinentes pour « ancrer » la réponse d'une IA importerait davantage pour l'éducation que pour, disons, une conversation informelle — et que pourrait-il mal se passer si cet ancrage échouait ?
La page affirme que les choix techniques incarnent des hypothèses pédagogiques : un tuteur construit sur une sollicitation socratique raisonne avec les apprenants, tandis qu'un modèle générateur de réponses peut simplement livrer les solutions. Pouvez-vous vous rappeler un outil d'IA que vous avez utilisé et qui semblait « supposer » une philosophie d'enseignement particulière — et cela concordait-il avec la manière dont vous vouliez réellement enseigner ou apprendre ?
Au-delà de l'exactitude brute, cette page suggère que les systèmes d'IA devraient être évalués sur la fiabilité, la pédagogie et l'équité. Quelle métrique phare soupçonnez-vous que la plupart des gens (y compris beaucoup d'éducateurs) retiennent par défaut pour juger si un outil d'IA « fonctionne », et pourquoi cette métrique pourrait-elle cacher plus qu'elle ne révèle ?
L'IA agentique est décrite comme faisant passer l'IA « d'un outil qui répond aux invites à un collaborateur proactif ». Comment un système qui initie et orchestre de lui-même des flux de travail en plusieurs étapes pourrait-il changer ce dont vous, en tant qu'enseignant ou apprenant, êtes responsable — et qui le tient pour responsable ?

Introduction

L'IA en éducation fonctionne sur une pile technique spécifique, et la comprendre importe pour les éducateurs et les chercheurs, même lorsqu'ils ne construisent pas eux-mêmes les systèmes — parce que les choix techniques façonnent ce que l'IA peut et ne peut pas faire dans la classe, les risques qu'elle porte, et la manière de l'évaluer. Cette page organise la couverture des concepts techniques par la base de connaissances : les systèmes d'IA, les techniques qui les adaptent et les contrôlent, et la manière dont la couche technique se relie à la pédagogie, à l'évaluation et à l'évaluation.

Les systèmes d'IA en éducation

Les grands modèles de langue (LLM). L'épine dorsale computationnelle de la plupart des AIED modernes — les LLM produisent un texte semblable à celui d'un humain pour le tutorat, l'évaluation et la génération de contenu, et sont la technologie la plus référencée dans la base de connaissances. L'entraînement et l'ajustement fin adaptent les LLM généraux à un usage éducatif.
L'IA générative. La catégorie plus large de systèmes qui produisent du texte, du code, des images et d'autres contenus — l'IA générative (portée principalement par les LLM) est la technologie qui sous-tend la vague actuelle de recherche en AIED. Voir aussi les modèles multimodaux (texte, image, audio) et la simulation.
Les robots et les systèmes incarnés. Les robots en éducation ajoutent une présence incarnée et souvent sociale — des kits programmables pour la pensée informatique et des robots humanoïdes ou sociaux pour le tutorat, la narration et le jeu de rôle. La robotique est un fil technique distinct qui recoupe l'IA agentique et la conception avec intervention humaine.
Les systèmes fondés sur les connaissances. Les graphes de connaissances et le TAL éducatif représentent et traitent le savoir du domaine, de plus en plus combinés aux LLM pour un tutorat ancré et explicable.

Les techniques et les méthodes

L'ingénierie des invites. L'ingénierie des invites est la manière dont les éducateurs et les développeurs façonnent les productions des LLM — le mécanisme principal par lequel le délestage et le contrôle sont accomplis dans les interactions avec les LLM.
La génération augmentée par la recherche documentaire (RAG). La RAG (génération augmentée par récupération) ancre les productions des LLM dans des connaissances retrouvées, réduisant l'hallucination et améliorant l'exactitude — une technique centrale pour un déploiement éducatif sûr.
L'apprentissage par renforcement. L'apprentissage par renforcement entraîne des agents à optimiser leur comportement au fil du temps ; il est employé dans les systèmes adaptatifs et l'apprentissage par le jeu.
L'orchestration agentique. Les systèmes d'IA agentique planifient et exécutent des flux de travail en plusieurs étapes — orchestrant souvent plusieurs agents spécialisés (voir les systèmes multi-agents) — et refaçonnent l'IA, d'un outil qui répond aux invites vers un collaborateur proactif.
La pile d'agents éducatifs accuse un retard sur la pointe. Wang et al. (2026) ont cartographié 474 études et ont constaté que les modèles de la série GPT et LangChain étaient dominants, tandis que l'orchestration d'outils gouvernée, la mémoire persistante et la planification à long horizon étaient largement absentes — et que seulement 138 des 474 (29%) puisaient dans la théorie éducative.
L'entraînement et l'adaptation des modèles. L'entraînement des LLM et leur ajustement fin, l'alignement éducatif et l'adaptation par de petits modèles de langue rendent les modèles généraux propres à l'éducation — bien que les preuves de la base de connaissances placent la recherche documentaire et la rédaction d'invites devant l'entraînement dans l'ordre de décision, puisqu'une invite bien ancrée coûte moins cher qu'un modèle adapté.

Comment la couche technique se relie au champ

Le fil technique est inséparable des autres thèmes de la base de connaissances :

Pédagogie : les choix techniques incarnent des hypothèses pédagogiques — un tuteur construit sur une sollicitation socratique raisonne avec les apprenants, tandis qu'un modèle générateur de réponses peut se rabattre par défaut sur la fourniture directe (voir les pédagogies et stratégies d'enseignement).
Évaluation : l'évaluation d'une intervention d'IA en éducation et les repères de référence déterminent si les systèmes d'IA fonctionnent réellement ; l'évaluation et l'évaluation automatisée recourent à la pile technique pour noter et générer.
Usage responsable : les techniques techniques sont centrales pour la réduction des usages abusifs de l'IA — l'ancrage par la RAG (génération augmentée par récupération), les garde-fous, l'étayage par rédaction d'invites, et la supervision humaine façonnent le point de savoir si l'IA soutient ou sape l'apprentissage (Délestage cognitif, Risque d'hallucination).

Implications pour l'IA en éducation

La littératie technique soutient l'usage critique : comprendre les modèles et les techniques sous-jacents aide les éducateurs et les apprenants à bien utiliser l'IA et à l'évaluer de façon critique (voir l'littératie en IA).
Choisir la technologie selon l'intention pédagogique : le système et la technique d'IA devraient suivre la stratégie d'enseignement, et non l'inverse.
Évaluer la couche technique : la recherche sur l'évaluation d'une intervention d'IA en éducation et les repères de référence évalue les systèmes d'IA sur la fiabilité, la pédagogie et l'équité, et pas seulement sur l'exactitude phare.
Les robots et les agents font partie de la pile : les systèmes incarnés et agentiques étendent le répertoire technique au-delà du texte — et apportent leurs propres considérations de conception et de sécurité.

Concepts liés

Métadonnées

Technologies et techniques	Technologies de l'IA, TAL éducatif, Les robots en éducation, L'IA générative, Graphe de connaissances, Grands modèles de langue (LLM), IA multimodale, L'ingénierie des invites, RAG (génération augmentée par récupération), Apprentissage par renforcement, Simulation
Fondements de l'IA dans l'éducation	IA agentique

Source History Edit Chat