L'IA en éducation dans les disciplines

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.

L'IA en éducation dans les disciplines — l'application de l'intelligence artificielle à l'enseignement et à l'apprentissage au sein de matières académiques spécifiques, où les pédagogies, méthodes, théories et préoccupations propres à chaque discipline façonnent la manière dont l'IA est conçue, utilisée et évaluée. Plutôt que de traiter l'IA en éducation comme un phénomène générique unique, cette vue d'ensemble organise la couverture propre aux disciplines de la base de connaissances et fait apparaître les thèmes transversaux qui parcourent la recherche sur l'IA en éducation par domaine disciplinaire.

Questions à examiner

Un tuteur de mathématiques qui excelle dans la rétroaction juste/faux peut échouer en sciences humaines, où l'interprétation et la paternité de l'œuvre importent plus que l'exactitude. Comment votre propre discipline définit-elle ce qui compte comme une « bonne rétroaction » ?
Une recherche menée auprès de 560 étudiants a montré que l'appartenance disciplinaire prédit la fréquence et l'ouverture avec lesquelles les étudiants utilisent l'IA générative. Pourquoi une discipline pourrait-elle agir comme un « système d'activité » entier façonnant l'usage de l'IA — plutôt que l'IA étant un outil neutre partout ?
L'« acte cognitif » délesté sur l'IA est propre à la discipline : le calcul en mathématiques, le code en informatique, la composition en écriture. Si la sur-dépendance prend une forme différente dans chaque champ, comment la détecteriez-vous dans le vôtre ?
Que signifie l'IA pour une discipline dont la pédagogie caractéristique est le travail de laboratoire pratique, ou la fabrication de sens interprétative, plutôt que la résolution de problèmes ? Y a-t-il une matière où l'IA devrait jouer un faible rôle ?
Plusieurs disciplines — le droit, l'histoire, les arts — restent peu couvertes dans la recherche sur l'IA en éducation. L'usage de l'IA dans quelle discipline mérite le plus d'attention, et que devrait honorer une bonne IA dans ce domaine que les outils génériques n'honorent pas ?

Introduction

L'IA en éducation se manifeste différemment selon les disciplines parce que chaque champ a sa pédagogie caractéristique — les façons distinctes dont le savoir est construit, pratiqué et enseigné. Des tuteurs d'IA qui brillent en mathématiques peuvent échouer en sciences humaines, où l'interprétation et la paternité de l'œuvre importent plus que les bonnes réponses. Cette page est la carte parapluie de ces fils propres aux disciplines, qui vont désormais des matières scolaires à la formation professionnelle et appliquée, jusqu'à la pratique d'atelier. Un membre du fil n'est pas une matière enseignée du tout : les sciences de l'apprentissage constituent le champ de recherche autour de l'IA en éducation, fournissant les mécanismes que les systèmes d'IA opérationnalisent et les étalons par lesquels ils sont jugés — elles adoptent la vue transversale, contre la prémisse de cette page selon laquelle c'est la matière qui change ce que le soutien devrait faire.

Concepts propres aux disciplines

La base de connaissances dispose de pages de concepts dédiées pour plusieurs domaines :

L'enseignement des mathématiques — tutorat par l'IA, résolution de problèmes adaptative et diagnostic conceptuel en mathématiques.
L'enseignement de la physique — simulation par l'IA, chatbots et pose de problèmes dans l'apprentissage de la physique.
Enseignement de la chimie — l'IA dans la conception d'expériences et de laboratoire, l'évaluation formative médiée par l'IA, l'enseignement contextuel et fondé sur l'enquête, les limites techniques des Grands modèles de langue (LLM) sur les tâches de chimie, et la philosophie de l'expérimentation.
Enseignement de la biologie — l'IA dans l'enseignement en laboratoire, la littératie en IA intégrée aux programmes de biologie, la pensée critique à l'ère de l'IA, et des outils spécialisés (identification d'espèces, bio-imagerie, modélisation prédictive).
L'enseignement de l'informatique — l'IA pour la génération de code, le débogage et le soutien aux programmeurs débutants.
Technologies de l'information — l'aile appliquée de l'informatique, préparant les praticiens à sélectionner, sécuriser, administrer et gouverner les systèmes déployés que font tourner les organisations : son unité d'analyse est le système déployé et le jugement du praticien à son égard, là où l'enseignement de l'informatique prend le programme et l'algorithme pour objets.
L'écriture — la composition assistée par l'IA, la notation automatisée des essais et la rétroaction en écriture.
Apprentissage des langues — interlocuteurs d'IA, rétroaction sur la prononciation et pratique conversationnelle en langues secondes ou étrangères.
Enseignement de l'anglais (EAP / EFL / ESL) — l'anglais à des fins académiques (EAP) et l'enseignement de l'anglais (EFL/ESL/L2) : le registre académique anglais, l'écriture fondée sur les genres, et la rétroaction et l'évaluation propres à l'anglais — distinct de l'apprentissage général des langues et de l'écriture générale.
L'enseignement des STIM — le parapluie transdisciplinaire des sciences, de la technologie, de l'ingénierie et des mathématiques.
Développement professionnel — la préparation et le développement professionnel des enseignants (en formation initiale et en service), une discipline à part entière dont la recherche sur l'IA porte sur la littératie en IA des enseignants, le Le savoir technologique, pédagogique et disciplinaire (TPACK) intelligent et la disposition à intégrer l'IA.
Formation aux professions médicales et de santé — la simulation clinique, l'entraînement par apprentissage par renforcement et les principes fondamentaux de l'apprentissage dans la formation aux professions de santé.
La formation en soins infirmiers — le dossier empirique le plus dense du fil clinique : la simulation avec des patients virtuels, le soutien au raisonnement par les LLM et les plateformes adaptatives, cadrés autour de la formation de l'identité professionnelle autant que de la compétence, et assez précis pour nommer la frontière où s'arrêtent les bénéfices documentés de l'IA (la compétence psychomotrice complexe et l'interaction chargée d'émotion) plutôt que de traiter les professions de santé comme un cas unique.
L'enseignement et la formation professionnels — la préparation initiale à des métiers et à des professions techniques nommés, organisée par des cadres de qualification et évaluée sur ce que les apprenants peuvent faire avec un équipement : elle s'étend au-delà de la formation professionnelle et du perfectionnement en milieu de travail que couvre la Apprentissage en milieu professionnel, pour rejoindre ceux qui ne sont pas encore en emploi, et sa question récurrente de conception est de savoir quelles parties coûteuses en personnel de la pratique l'IA peut absorber sans déplacer la répétition qui produit la compétence.
Enseignement du design — la formation professionnelle d'atelier en design de produit, de service, d'interaction, d'intérieur et d'architecture, où le processus visible est l'objet évalué et où les outils génératifs rendent l'artefact poli peu coûteux : elle restreint les disciplines d'atelier que couvre l'enseignement des arts, du design et des médias au pipeline professionnel du design, de sorte que ce sont la critique, le portfolio et la réglementation, plutôt que la pratique matérielle et performative, qui portent l'argument.
Enseignement de l'ingénierie — la formation professionnelle, la conception et l'apprentissage pratique, l'usage éthique de l'IA, l'évaluation incarnée et la préparation à la main-d'œuvre en ingénierie.
Enseignement de la gestion et du management — l'IA dans l'enseignement de la gestion, de l'économie et du management : des cadres d'IA générative informés par les étudiants, l'intégration au programme par alignement constructif, et la préparation à une pratique professionnelle intégrant l'IA.
Lettres et sciences humaines — la cognition interprétative, la paternité de l'œuvre et la fabrication de sens en sciences humaines et sociales.
Primaire et secondaire (K-12) et Enseignement supérieur — l'éducation portant sur l'IA et avec l'IA à chaque niveau.

Thèmes transdisciplinaires

Plusieurs fils traversent toutes les disciplines, tout en se déployant différemment dans chacune :

La discipline comme système d'activité. Jiang et al. (2026) montrent, auprès de 560 étudiants de premier cycle dans cinq domaines académiques, que l'appartenance disciplinaire est significativement associée à la fréquence d'usage et aux pratiques de divulgation de l'IA générative par les étudiants — les disciplines fonctionnent comme des systèmes d'activité dont les normes, les politiques et les attentes de rôle façonnent la manière dont les étudiants s'engagent avec l'IA générative et la divulguent. C'est une preuve directe de la prémisse de la base de connaissances selon laquelle l'IA en éducation n'est pas neutre du point de vue des disciplines.
La forme même de « l'interdisciplinarité » est déterminée par la discipline. La revue PRISMA de Xia et al. (2026) portant sur 59 études répertorie six formes d'éducation interdisciplinaire dans lesquelles figure l'IA : intégration des STIM (n = 26), cohortes aux origines disciplinaires mixtes (n = 14), domaines non-STIM (n = 10), contenus d'apprentissage transdisciplinaires (n = 10), intégration inter-STIM (n = 8) et STEAM (n = 2). La distribution est un constat au niveau de la discipline, et non au niveau de l'outil : l'interdisciplinarité soutenue par l'IA est massivement hébergée par les STIM, et les cohortes aux origines disciplinaires mixtes sont étudiées plus souvent que les domaines non-STIM que ces cohortes sont censées relier. La revue montre en outre que les mêmes fonctions de l'IA reviennent dans ces contextes — assistant (n = 43), évaluateur (n = 22), agent (n = 14), moniteur (n = 9) — tandis que leurs effets cognitifs, comportementaux et affectifs diffèrent selon la discipline et la partie prenante, les étudiants étant de loin les plus étudiés (n = 57), les enseignants ensuite (n = 26) et le personnel administratif à peine examiné (n = 4).
Tutorat et rétroaction. Les systèmes de tutorat par l'IA (Tutorat par l'IA, Tutorat intelligent, La rétroaction, Qualité de la rétroaction par IA) apparaissent dans presque toutes les disciplines, des tuteurs de mathématiques et de physique à la rétroaction en écriture et en langue. La discipline façonne ce qui compte comme bonne rétroaction — juste/faux en mathématiques, qualité de l'argument en écriture, aisance dans la langue.
Évaluation. L'Évaluation automatisée, la notation automatisée, la notation automatisée des essais et l'évaluation formative sont réinventées par l'IA dans toutes les disciplines, mais les construits évalués diffèrent (exactitude procédurale contre profondeur interprétative contre compétence communicative).
Délestage cognitif et sur-dépendance. Le risque de délestage cognitif et de sur-dépendance apparaît en mathématiques, en informatique et en écriture, bien que l'« acte cognitif » délesté soit propre à la discipline — calcul contre code contre composition.
Littératie en IA et usage critique. L'littératie en IA, la pensée critique et la pédagogie critique sous-tendent l'usage responsable dans toutes les matières.
L'ancrage disciplinaire conditionne la métacognition soutenue par l'IA. Dans un séminaire de linguistique textuelle, des novices ont réfléchi de manière métacognitive avec les LLM principalement là où le savoir disciplinaire était déjà consolidé, et la plupart attribuaient les mauvaises productions au modèle plutôt qu'à leur propre invite — preuve que la conception des invites doit être enseignée explicitement au sein d'une discipline (Brocca & Garassino (2026)).
Équité et accès. L'équité dans l'IA en éducation, la fracture numérique et la pédagogie culturellement pertinente concernent toutes les disciplines.

Pédagogies, méthodes et théories caractéristiques selon la discipline

Chaque discipline apporte des traditions pédagogiques distinctes que la recherche sur l'IA investit :

Physique — le raisonnement fondé sur des modèles, l'expérimentation et la Simulation. La recherche sur l'IA emploie des laboratoires virtuels (Ben-Zion), des chatbots (typologie de ChatGPT) et la pose de problèmes (pose de problèmes par l'IA générative).
Chimie — des concepts abstraits submicroscopiques, une notation spécialisée et la pratique de laboratoire. La recherche sur l'IA couvre la conception expérimentale assistée par l'IA (manuels de laboratoire conçus par l'IA), l'enseignement 7E contextuel avec tutorat par l'IA (contextuel + IA), l'évaluation formative médiée par l'IA (rôles de l'enseignant et de l'IA) et la philosophie de l'expérimentation (philosophie de l'expérimentation).
Biologie — une terminologie spécialisée, la pensée systémique et visuospatiale, et le travail de laboratoire et de terrain. La recherche sur l'IA couvre les assistants d'enseignement en laboratoire virtuel (ChatGPT comme assistant d'enseignement virtuel), la littératie en IA intégrée aux programmes de biologie (la littératie en IA dans un cours de biologie), ChatGPT dans l'apprentissage par défi (ChatGPT dans l'ABD), la pensée critique à l'ère de l'IA (la pensée critique en sciences biologiques) et le paysage des outils d'IA (revue des outils d'IA).
Écriture — la rédaction et la révision récursives, orientées par le processus. La recherche sur l'IA couvre l'IA comme coach d'écriture, la notation automatisée et la paternité selon l'étape (étapes de paternité).
Enseignement de l'anglais (EAP/EFL/ESL) — l'anglais comme langue cible et registre académique. La recherche sur l'IA couvre l'intégration éthique de l'IA générative en EAP (Alharbi et al.), la révision d'écriture en EAP avec l'IA générative (scripts de littératie de la rétroaction), l'adaptation des supports de lecture en EAP (supports d'EAP différenciés), le tutorat d'anglais langue seconde (TACT) et l'évaluation propre à l'anglais (l'évaluation de l'écriture en L2 auto-référentielle, l'évaluation en EFL).
Formation des enseignants — une discipline dont la recherche sur l'IA porte sur la préparation des enseignants à intégrer l'IA : les cadres de TPACK intelligent (développement professionnel i-TPACK), la littératie en IA des enseignants (enseignants de sciences), la disposition des enseignants en formation initiale (disposition au TPACK intelligent) et la confiance et l'éthique en service (confiance et éthique).
Sciences humaines et sociales — l'interprétation, la paternité de l'œuvre et la fabrication critique de sens. La recherche sur l'IA met au premier plan la cognition interprétative (Voicu) et la philosophie de l'IA plutôt que le tutorat visant l'exactitude.

Disciplines représentées dans la base de connaissances

La couverture propre aux disciplines est la plus forte dans les STIM au sens large — particulièrement en mathématiques, en physique, en chimie, en biologie et en informatique — suivies par l'écriture, l'apprentissage des langues (avec un fil distinct d'enseignement de l'anglais pour l'EAP/EFL/ESL), et plus récemment l'ingénierie, la formation des enseignants (avec un corpus substantiel de recherche sur la formation à l'IA en service et en formation initiale), la médecine et les sciences humaines. L'ingénierie et le design ont aussi un corpus d'articles croissant. Cette concentration suit la littérature plus large : la revue de Xia et al. (2026) a montré que les STIM constituaient la forme interdisciplinaire la plus courante dans l'enseignement supérieur soutenu par l'IA (n = 26), loin devant les domaines non-STIM (n = 10) et le STEAM (n = 2) — une mise en garde au niveau de la discipline selon laquelle les données probantes sur l'IA en éducation s'accumulent le plus vite là où l'outillage informatique est le plus facile à intégrer, et pas nécessairement là où la valeur pédagogique de l'IA est la plus grande. Les ajouts les plus récents élargissent le fil au-delà des matières académiques, vers la formation professionnelle et appliquée — les soins infirmiers, les technologies de l'information et l'enseignement et la formation professionnels — où les apprenants sont évalués sur une pratique démontrée plutôt que sur l'exactitude, et où c'est l'employeur et l'organisme de délivrance des licences, et pas seulement l'académie, qui définissent ce qui compte comme compétence.

Le fil professionnel est le plus mince dans ces données probantes : une revue systématique de 26 études en enseignement et formation professionnels n'a trouvé aucune étude menée en milieu de travail, malgré le caractère travail-centré de l'EFP, que cinq expériences randomisées, et que trois dispositifs conférant aux apprenants un rôle actif (Deutscher et al. (2026)).

Disciplines sous-représentées

Plusieurs disciplines restent peu couvertes dans la base de connaissances et sont de bons candidats pour une ingestion future :

Le droit et la formation juridique — couverture minimale : les LLM et les examens juridiques italiens.
La psychologie et le conseil — peu d'articles sur l'IA en éducation : la littératie de la rétroaction par l'IA, l'usage critique de l'IA générative, la formation à la psychothérapie avec patients virtuels.
L'histoire — seulement des articles isolés : les LLM et le raisonnement historique.
Les arts (arts visuels, design, musique) — couverture émergente : l'IA dans l'enseignement du design d'intérieur, l'IA générative dans les ateliers de conception architecturale, la pédagogie vocale par l'IA, l'IA dans l'enseignement de la musique, le paradoxe de la compétence en texte-vers-image. Les études du côté du design dans cette liste ont désormais leur propre page : l'enseignement du design rassemble les travaux d'atelier en architecture, en design d'intérieur et en texte-vers-image dans une page consacrée à la formation professionnelle du design, laissant les arts visuels, la musique et le spectacle comme le reste peu couvert.

Ces disciplines sous-représentées gagneraient à disposer de pages de concepts dédiées et d'une ingestion d'articles supplémentaire à mesure que la base de connaissances croît.

Concepts liés

Métadonnées

Discipline	Stem Education, Math Education, Physics Education, Cs Education, Language Learning, Writing Education, Medical Education, Humanities Education, Business Education, Design Education, Information Technology, Vocational Education, Nursing Education, Learning Sciences
Fondements de l'IA dans l'éducation	L'IA en éducation

Source History Edit Chat