Éducation de la petite enfance

Sur cette page

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'éducation de la petite enfance — l'usage de l'intelligence artificielle dans l'éducation des jeunes enfants, couvrant l'école maternelle et les années du primaire. Cela recouvre les programmes de littératie en IA et de pensée informatique destinés aux jeunes apprenants, les jouets et le jeu soutenus par l'IA, l'apprentissage personnalisé dans les matières du primaire, ainsi que les considérations développementales, de sécurité et d'équité propres aux enfants, et non aux adolescents ni aux adultes.

Questions à examiner

Les jeunes enfants rencontrent aujourd'hui l'IA à travers des jouets, des agents conversationnels et des robots de classe. Qu'est-ce qui rend la relation d'un enfant de 5 ans avec l'IA fondamentalement différente de celle d'un adulte — et qu'est-ce qui devrait changer dans notre façon de penser les risques ?
Une partie de la littératie en IA à la petite enfance s'enseigne par le jeu « débranché » — sans aucun ordinateur. Comment des concepts abstraits d'IA peuvent-ils s'apprendre par des activités incarnées et tangibles plutôt que par des écrans ?
Une préoccupation appelée « isomorphisme technologique » décrit des élèves qui imitent les productions de l'IA sans les comprendre. Comment distingueriez-vous un enfant qui a réellement appris d'un enfant qui se contente de répéter une réponse polie ?
Parce que les jeunes apprenants sont plus vulnérables et moins capables de s'autoréguler, l'étayage par les adultes devient central. Qu'est-ce que cela signifie pour un parent ou un enseignant qui décide quand et comment un enfant devrait utiliser l'IA ?
Si l'accès à un apprentissage précoce riche en IA — ou à une guidance adulte protectrice — est inégal, comment l'équité se manifeste-t-elle différemment à la petite enfance que pour des élèves plus âgés ?
Le socle de données probantes est ici largement exploratoire et orienté par la conception plutôt que causal. Que voudriez-vous savoir avant de faire confiance à une affirmation selon laquelle un jouet ou une application d'IA améliorerait l'apprentissage des enfants ?

Introduction

Les jeunes enfants interagissent avec l'IA de plus en plus tôt — à travers des jouets dotés d'IA, des chatbots, des plateformes d'apprentissage adaptatif et des robots de classe — et pourtant ils diffèrent, sur le plan du développement, des apprenants de la maternelle à la terminale et de l'enseignement supérieur qui dominent l'essentiel de la recherche sur l'IA en éducation. Ce concept rassemble la couverture que la base de connaissances consacre à cette tranche plus jeune. Il se situe sous le parapluie plus large du primaire et secondaire mais s'en distingue parce que les préoccupations sont spécifiques au développement : le jeu comme mode d'apprentissage principal, l'étayage par les adultes (parents, enseignants), une littératie en IA adaptée à l'âge, et une attention accrue au bien-être et à la sécurité pédagogique.

Comment la recherche se regroupe

La littératie en IA par le jeu débranché. Le cadre AI-Play enseigne les concepts d'IA destinés à la petite enfance par des activités débranchées (sans ordinateur), montrant que des idées abstraites d'IA peuvent être introduites auprès de jeunes enfants par des activités incarnées, ludiques et tangibles (voir Apprentissage par le jeu) — une voie adaptée au développement vers l'littératie en IA et la pensée informatique.
Les jouets dotés d'IA et le développement de l'enfant. La recherche sur l'IA dans les jouets examine comment des jouets commerciaux dotés d'IA façonnent le développement et le jeu de l'enfant. Cela soulève des questions ouvertes sur les agents dans le jeu, la calibration de la confiance, l'L'agence de l'apprenant et le Le bien-être pour les apprenants les plus jeunes — un domaine où les conseils de conception sont plus minces que pour les programmes scolaires, et où les parents et tuteurs deviennent des parties prenantes centrales.
Les attitudes des enfants envers des chatbots adaptés à l'âge. Vahedian Movahed & Martin (2025) ont déployé « Ask Me Anything » (AMA), un chatbot délimité par un sujet (astronomie, sneakers et chaussures, dinosaures) adapté à l'âge par l'ingénierie des invites, auprès de 63 enfants (de 6 à 14 ans), faisant apparaître trois schémas dans l'interaction enfant–IA — l'émerveillement et la curiosité, la mise à l'épreuve de la confiance et la construction de l'assurance, et la construction de relations par l'anthropomorphisation — parallèlement à une large ouverture à l'IA et à une confiance élevée en elle comme source d'information. Leur appel à une conception sensible à l'âge et à un enseignement explicite de la sécurité numérique et des concepts d'usage des données renforce les préoccupations développementales et de sécurité pédagogique centrales pour ce concept.
L'apprentissage des matières au primaire. L'apprentissage personnalisé assisté par l'IA sur les fractions au primaire et l'IA dans les mathématiques du primaire (y compris les préoccupations liées à l'« isomorphisme technologique » — des élèves imitant les productions de l'IA sans les comprendre) montrent à la fois la promesse et les écueils de l'IA dans l'enseignement des matières aux jeunes élèves. Une revue systématique de l'écriture au primaire et de l'IA générative cartographie la manière dont l'IA générative remodèle l'enseignement de l'écriture dans les premières années du primaire.
Les robots et les jeunes enfants. La robotique à la maternelle soutient la pensée informatique par des robots éducatifs, et la narration par un humanoïde doté de LLM explore si les parents accepteront des robots comme partenaires de jeu narratif pour leurs enfants — mettant au premier plan la Confiance et les attitudes des adultes.
Un cadre d'« approche par projet créatif » pour les agents d'IA et la robotique. Yang, Li et Lee (2025) proposent un cadre pédagogique en cinq étapes qui intègre des agents d'IA générative et des robots à la Project Approach pour favoriser l'apprentissage créatif des jeunes enfants. Ils soutiennent que les agents physiques conviennent mieux que les écrans aux jeunes enfants, et associent deux paradigmes complémentaires à leurs théories de l'apprentissage — les robots de programmation (le constructionnisme de Papert ; la pensée informatique par la programmation tangible avec des outils comme Matatalab et KIBO) et les robots sociaux génératifs (l'étayage vygotskien au sein de la zone proximale de développement de l'enfant, agissant comme pairs conversationnels ou tuteurs). Les cinq étapes — identifier les besoins d'apprentissage, faciliter l'interaction enfant-robot guidée par l'enseignant, situer l'IA dans des contextes, calibrer l'équilibre automatisation/créativité, et évaluer les résultats — offrent aux concepteurs et aux praticiens de l'éducation de la petite enfance une voie concrète pour intégrer des agents d'IA et des robots dans des classes fondées sur le jeu et par projets, tout en préservant la facilitation par l'enseignant et l'L'agence de l'apprenant de l'enfant.
Des programmes de littératie en IA centrés sur le jeu. Lee (2026) rend compte de la recherche fondée sur la conception de Play With AI (PL-AI), un programme adapté au développement dans lequel deux enseignants de maternelle et deux enseignants de jardin d'enfants ont co-conçu sept activités séquencées mêlant jeu débranché (composer et tester des algorithmes du type « comment faire »), programmation tangible (Bee-Bot, Ozobot) et dialogue guidé avec un robot social doté d'IA. Les preuves formatives ont montré une croissance substantielle de la confiance des enseignants et de leur agence pédagogique, avec l'émergence de quatre principes de conception — jeu incarné, programmation tangible, dialogue guidé et co-conception avec l'enseignant — alignés sur l'initiative AI4K12 et sur les cadres de la NAEYC. C'est un modèle de la façon dont des robots et des outils tangibles peuvent être intégrés à une littératie en IA fondée sur le jeu et menée par l'enseignant pour les apprenants les plus jeunes.
La planification de leçons assistée par l'IA pour les enseignants d'arts STIM destinés aux enfants. Une étude expérimentale menée auprès d'enseignants d'art pour enfants (Luo et Tahir 2025) a montré que les plans de leçon assistés par ChatGPT étaient jugés significativement de meilleure qualité que ceux produits par les enseignants par six professeurs experts (médiane 20.5 contre 17.6, p = .002, effet important), tout en cartographiant la manière dont les enseignants déléguaient — le plus souvent (60%) pour combler des lacunes de contenu dans une leçon esquissée par eux-mêmes, plutôt que pour générer des plans entiers. Les enseignants appréciaient l'IA surtout comme outil d'inspiration et de repérage des lacunes pour l'intégration interdisciplinaire des STIM et une sélection plus rapide des sujets, mais signalaient des productions peu praticables dans de vraies classes, négligeant les contraintes de sécurité des enfants (par exemple des couteaux à sculpter pour de jeunes enfants) et porteuses d'un biais culturel centré sur l'Occident — une mise en garde concrète et fondée sur le développement quant à l'usage de l'IA générative auprès de jeunes apprenants, que le cadre d'invite Role–Instructions–End Goal a été construit pour tempérer.
La littératie médiatique critique soutenue par l'IA pendant les années du primaire. Demir et Akar (2026) évaluent un programme de littératie médiatique critique de 18 heures, fondé sur le modèle 5E, destiné à des élèves de quatrième année d'une école primaire publique turque, intégrant l'IA générative (ChatGPT, Grammarly, Canva AI, Padlet) phase par phase comme agent pédagogique plutôt que comme complément isolé, avec des activités alignées sur les programmes turcs de langue et d'études sociales. Le groupe soutenu par l'IA a montré de forts gains en lecture médiatique (+3.50), en écriture (+1.67) et en littératie médiatique totale (+5.17, tous p < .01), avec des tailles d'effet intergroupes du d de Cohen de d = 1.12–1.31, tandis que le groupe témoin ne progressait que modestement. L'analyse qualitative d'entretiens, de productions d'élèves (affiches, dessins, slogans) et de l'observation en classe a fait apparaître six domaines de croissance de la littératie médiatique critique — l'autoprotection numérique et la confidentialité des données, l'usage médiatique intentionnel et responsable, la communication sûre et la conscience des limites, l'évaluation critique et la conscience de la désinformation, la conscience des risques en ligne, et l'éthique médiatique / la citoyenneté numérique — offrant un rare modèle quasi expérimental, aligné sur le programme, de la façon dont l'IA peut soutenir la littératie en IA critique et la pensée critique dans les années du primaire.
L'observation notée par l'IA de la qualité de l'interaction enseignant-enfant. Fong et al. (2026) évaluent un Grands modèles de langue (LLM) contre des évaluateurs humains entraînés sur l'ensemble du cadre CLASS Pre-K dans des jardins d'enfants de Hong Kong — 87 observations filmées issues de 38 classes réparties dans 30 jardins d'enfants, notées à partir de transcriptions par GPT-5.0 et comparées à huit évaluateurs entraînés. L'accord était modéré dans l'ensemble (κ pondéré = 0.681) mais conditionné par le construit : la convergence tenait pour le domaine du soutien émotionnel et pour la qualité de la rétroaction — la dimension portée par un soutien verbal explicite et fondé sur l'échange — tandis que l'organisation de la classe divergeait totalement, les évaluateurs humains notant les dimensions émotionnelles plus haut que le modèle, avec un écart très important sur la dimension à notation inversée du climat négatif (d = 2.732 ; les évaluateurs humains donnaient le maximum de 7 dans 63 des 71 observations, l'IA se concentrant à 6). La leçon propre à la petite enfance est spécifique au développement : la qualité qui réside dans le comportement non verbal, spatial et routinier — la gestion, le mouvement, la chaleur, le ton — est invisible pour un pipeline fondé sur les seules transcriptions, la direction de l'erreur du modèle dépend du construit plutôt que d'être uniformément conservatrice, et les auteurs positionnent donc la notation par l'IA comme un outil de dépistage et de réflexion pour les enseignants plutôt que comme un substitut à des observateurs entraînés.
Des éducateurs en formation initiale concevant des activités scientifiques. Efthimiou & Plakitsi (2026) ont demandé à 131 éducateurs en formation initiale à la petite enfance de concevoir des activités sur le magnétisme avec des LLM : ils ont noté la structure et l'efficacité des modèles au plus haut (M = 3.95) mais la fiabilité épistémique de leur contenu au plus bas (M = 3.08), les traitant comme des artefacts de remue-méninges tout en gardant la transformation didactique comme responsabilité humaine.
L'IA approchant les jugements développementaux sur les histoires pour enfants. Yin et al. (2026) annotent avec CLARA les exigences cognitives, langagières et socioémotionnelles d'une histoire et correspondent aux références d'âge des éditeurs 0.904 du temps, devant les formules de lisibilité (0.603) et l'invite directe (0.730) — ce qui est proposé comme un signal de soutien, et non comme un remplacement du juge humain.

Considérations développementales et d'équité

Parce que les jeunes apprenants sont plus vulnérables et moins capables d'autoréguler leur usage de l'IA, ce groupe met l'accent sur l'étayage par les adultes (parents, tuteurs et enseignants), la conception adaptée à l'âge, et le risque de sur-dépendance et de tort si l'IA se substitue au travail développemental du jeu, de la découverte et de l'apprentissage exigeant, plutôt que de le soutenir. L'équité est une préoccupation vive : l'accès à un apprentissage précoce riche en IA (ou à une guidance adulte protectrice) est inégal, ce qui rejoint la fracture numérique et l'équité dans l'IA en éducation. Une grande partie du socle de données probantes reste exploratoire ou orientée par la conception plutôt que causale.

Une comparaison de quatre pays aiguise l'écart curriculaire : les directives nationales de la petite enfance du Japon, de la Corée du Sud et de la Chine ne contiennent aucune référence explicite à la littératie en IA (le plan d'action au niveau de la ville de Shanghai constituant la seule exception, sans spécifier de progressions d'apprentissage), tandis que l'Australie ne montre qu'un alignement limité et inégal — le plus fort pour l'interaction avec les agents d'IA, absent pour la compréhension des relations humain-IA — laissant la littératie en IA à la charge du foyer (Cohrssen et al. (2026)).

Une première fenêtre neuro-imagériale sur cette question arrive avec une mise en garde : des enfants de 6–7 ans tenant une conversation parlée de cinq minutes avec ChatGPT dans un scanner IRM ont montré une connectivité au sein des réseaux plus faible que chez les adultes dans les réseaux de contrôle frontopariétal, de saillance et d'attention dorsale, à scores de créativité appariés, et n'ont pas présenté le couplage créativité-connectivité qu'ont montré les adultes. Parce que ces fonctions exécutives sont encore immatures en première année du primaire, les auteurs lisent ce résultat comme pertinent pour le débat sur l'âge minimal — tout en signalant un artefact de cadrage et l'absence d'un groupe témoin sans ChatGPT comme limites à ce qu'il établit (Horowitz-Kraus et al. (2026)).

Concepts liés

FAQ liées

Comment les parents et les enseignants devraient-ils aborder l'IA avec les enfants de moins de 13 ans ?

Métadonnées

Niveau	K 12, Preschool
Apprentissage et enseignement	Le bien-être
Fondements de l'IA dans l'éducation	L'IA en éducation, Littératie en IA, Pensée informatique

Source History Edit Chat