Niveaux d'éducation

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.

Niveaux d'éducation — les bandes qui organisent le champ de métadonnées level de cette base de connaissances : preschool, primary education, middle school, secondary, K-12, higher ed, undergraduate, graduate, adult learning, special education et enseignant education. Cette page est le parapluie de ce champ plutôt qu'un doublon d'une quelconque page de bande unique : elle explique ce qui change quand on passe d'une bande à l'autre, pourquoi la césure école/université importe plus que la matière enseignée, et où les données probantes sur l'IA sont denses et où elles sont minces.

Questions à examiner

Un séminaire de troisième cycle et une leçon de mathématiques de cours élémentaire sont tous deux de « l'éducation », et pourtant un outil qui aide l'un peut nuire à l'autre. Qu'est-ce qui, dans la bande — et non dans la matière — change ce qu'un bon usage de l'IA recouvre ?
Un essai mené auprès de 132 élèves de cours élémentaire a montré qu'un tuteur de mathématiques adaptatif n'était pas meilleur qu'une séquence fixe. Vous attendriez-vous au même résultat nul pour un étudiant universitaire, et quelle capacité de l'apprenant l'adaptation présuppose-t-elle tacitement ?
« K-12 » et « enseignement supérieur » compressent chacun plusieurs contextes distincts sous une seule étiquette. Quelles comparaisons ces étiquettes masquent-elles ?
Si le socle de données probantes d'une bande est mince, la réponse honnête est-elle de ne rien dire, d'emprunter à une bande voisine, ou de concevoir une étude ?

Introduction

Le champ de métadonnées level nomme la bande d'éducation dont traite une source — des bandes, et non des âges : preschool, primary education, middle school, secondary, K-12, higher ed, undergraduate, graduate, adult learning, special education, teacher education. Certaines nomment un stade de la scolarité, deux nomment les moitiés très différentes des études universitaires, deux nomment une population d'apprenants plutôt qu'un stade, et une nomme les personnes qui enseignent. Une source peut porter plusieurs bandes à la fois.

Cette page est le parapluie de ce champ ; les pages de bande font le travail approfondi et devraient être lues avec elle : Primaire et secondaire (K-12), Éducation de la petite enfance, Enseignement supérieur, Apprenants adultes, Éducation spécialisée, Développement professionnel et L'enseignement et la formation professionnels.

Ce qui distingue une bande d'une autre

Les bandes diffèrent selon plusieurs axes à la fois, et la recherche sur l'IA ne fait généralement varier qu'un seul d'entre eux.

La capacité d'autorégulation. Deux versions d'un même tuteur de mathématiques de cours élémentaire — contenu, interface, rétroaction et indices oraux identiques, ne différant que par le fait que la sélection des tâches suive ou non une estimation de maîtrise par traçage bayésien des connaissances — n'ont produit aucune différence au post-test parmi 132 enfants de sept ans (F(1, 124) = 0.32, p = .574). La première explication des auteurs est développementale : les systèmes adaptatifs présupposent des apprenants capables de s'engager avec la rétroaction, de réguler leur effort et de rester concentrés, et les jeunes enfants ont une autorégulation limitée (Effectiveness of adaptive versus non-adaptive intelligent tutoring systems in early primary mathematics).
Qui médiatise l'interaction. Dans les bandes scolaires, un adulte se tient entre l'apprenant et l'outil. Une enquête menée auprès de 270 enseignants de maternelle a montré que l'intention d'adoption était déterminée par l'utilité perçue, la facilité d'usage, l'Le sentiment d'efficacité personnelle en matière d'IA et l'anxiété liée à l'IA — et l'étude excluait délibérément l'IA destinée aux enfants (Exploring Factors Influencing Preschool Teachers' Behavioral Intention to Use AI Technologies in Early Childhood Settings).
La finalité de l'évaluation. L'évaluation au secondaire alimente des enjeux externes ; l'évaluation universitaire porte sur les travaux et les titres ; l'évaluation en troisième cycle est la formation d'un chercheur.
Les connaissances préalables. Les connaissances préalables dominaient la performance au post-test dans cet essai (F(1, 124) = 206.99, p < .001, η²p = .63), de sorte qu'une étiquette de bande corrèle avec un niveau de connaissance sans lui être égale.

Les années scolaires et les années universitaires

La division la plus lourde de conséquences est la césure entre l'école et l'université, et les deux étiquettes les plus courantes la masquent chacune ou la franchissent.

À l'intérieur des années scolaires, le résultat mesuré change fortement selon la bande. Au primaire, c'est l'apprentissage des matières : 97 élèves chinois de cours moyen utilisant des chatbots d'IA générative dans une démarche scientifique ont posé de meilleures questions qu'un groupe témoin utilisant un moteur de recherche (t = 2.47, p = 0.015) (Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science). Au secondaire, cela devient souvent l'attitude plutôt que la réussite : une enquête menée auprès de 508 collégiens taïwanais a montré que l'attrait expérientiel agissait, par l'intermédiaire du plaisir, sur l'intention d'utiliser ChatGPT pour l'apprentissage de paroles de chansons (XM → PEOU β = 0.630 ; PE → ATU β = 0.369), 81.5% d'entre eux étant sur le palier gratuit — un fait d'équité d'accès déguisé en constat d'acceptabilité technologique (Junior high school student perspectives on the use of ChatGPT in music education). Le secondaire porte aussi l'avertissement d'apprentissage le plus important du corpus : parmi 26,811 élèves chinois des classes de la 6e à la terminale, les notes de devoirs ont augmenté de 18% et le temps de réalisation a chuté de 30%, tandis que les notes aux examens à livre fermé ont chuté d'environ 20% en six mois, concentration observée chez les ~81% dont le comportement indiquait une externalisation des devoirs (The Generative AI Learning Penalty: Evidence from Chinese Secondary Education).

Les années universitaires se divisent à nouveau. Le premier cycle est fait de travaux évalués de l'extérieur : parmi des rédacteurs de premier cycle d'une université R1 au service des minorités, l'littératie en IA prédisait quel type de dépendance aux Grands modèles de langue (LLM) un étudiant occupait, plutôt que la quantité de son usage (Four Types of LLM Reliance and Their Predictors Among Undergraduate Writers: A Mixed-Methods Study at a Minority-Serving R1 University). Le troisième cycle est une formation à la recherche, où le résultat passe de la performance à la formation. Parmi 420 chercheurs doctoraux et postdoctoraux en astronomie, la dépendance à l'IA était négativement associée à l'autonomie de recherche (r = −.355) et à l'Le sentiment d'efficacité personnelle (r = −.321), et le chemin indirect vers le comportement innovant passait surtout par l'autonomie (−.115) plutôt que par l'auto-efficacité (−.069) ; le soutien de l'encadrement affaiblissait le lien négatif avec l'autonomie (B = .077, p = .020) (AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training). Un doctorant est jugé sur le jugement même que la dépendance à l'IA semble éroder ; un étudiant de premier cycle ne l'est pas. Regrouper les deux sous l'étiquette « enseignement supérieur » masque cela.

Là où les données probantes sont concentrées, et là où elles sont minces

Le corpus est inégalement peuplé, et le champ de niveau rend ce déséquilibre visible.

Denses. L'enseignement supérieur est la bande la mieux couverte : les pages consultées ici incluent un essai de plateforme de huit semaines mené auprès de 60 étudiants en ingénierie (Developing an AI-Assisted Seminar-Based Learning Platform With Embedded Librarian Support: Enhancing Information Literacy of Engineering Research Teams), une enquête auprès de 395 cadres de l'éducation (AI adoption readiness among Ukrainian education managers: Barriers, typologies, and policy implications), une méta-synthèse de 18 études africaines sur l'enseignement supérieur (Rethinking data privacy for AI adoption in African higher education: A meta-synthesis of stakeholder perceptions and policy implications) et une étude portant sur 420 chercheurs en formation doctorale (AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training). Le primaire et le secondaire portent aussi des données probantes sur les résultats.

Minces, et par endroits absentes. Les pages consultées ici ne rapportent aucune étude de résultats chez l'enfant pour la bande préscolaire ; les données probantes les plus proches sont une enquête sur les intentions des enseignants, qui excluait les outils destinés aux enfants (Exploring Factors Influencing Preschool Teachers' Behavioral Intention to Use AI Technologies in Early Childhood Settings). Le collège apparaît principalement comme une conception proposée et une étude longitudinale plutôt que comme des résultats rapportés (AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High). Les données probantes les plus solides pour la bande professionnelle sont 63 réponses issues de déclarations des intéressés pour un seul cours, ce que ses auteurs disent exiger une réplication (Cultivating Design Creativity of Vocational Students: A Model of Project-Based Learning in AI-Enabled Immersive Virtual Environments). Les données probantes sur le troisième cycle sont transversales, un modèle à chemins inversés s'ajustant légèrement mieux que le modèle développemental, de sorte que la direction allant de la dépendance à une autonomie réduite est inférée plutôt que confirmée (AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training). Rien de ce qui est consulté ici ne rapporte de données probantes sur les résultats de l'IA pour l'adult learning ou la special education en tant que bandes ; celles-ci ont leur propre couverture sur Apprenants adultes et Éducation spécialisée, et cette page ne généralise pas à partir de constats portant sur l'âge scolaire pour combler le manque.

Un schéma vaut à chaque niveau étudié : la couche humaine absorbe les cas les plus difficiles. Un expert humain est resté au point de décision de crédibilité pour les étudiants en ingénierie même lorsque la recommandation algorithmique atteignait F1 = 0.64 (Developing an AI-Assisted Seminar-Based Learning Platform With Embedded Librarian Support: Enhancing Information Literacy of Engineering Research Teams) ; le soutien de l'encadrement était la seule condition qui affaiblissait les liens négatifs de la dépendance à l'IA dans la formation doctorale (AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training) ; et ce sont les enseignants de maternelle, et non les enfants, qui sont les adopteurs (Exploring Factors Influencing Preschool Teachers' Behavioral Intention to Use AI Technologies in Early Childhood Settings).

Ce que la conception adaptée au niveau change réellement

Autonomie et soutien. Avec de jeunes apprenants, adaptez le niveau de soutien — plus d'étayage, de guidage ou d'indices — plutôt que la difficulté des tâches ; l'adaptation de la difficulté n'a rien acheté au début du primaire, tandis que le verrouillage par la maîtrise a peut-être retenu les étudiants adaptatifs (Effectiveness of adaptive versus non-adaptive intelligent tutoring systems in early primary mathematics).
Le niveau de lecture. Un chatbot adapté à l'âge employait des variables d'invite pour les tranches de 7 à 9 ans, de 9 à 11 ans et de 12 à 14 ans, et 63 enfants du cours élémentaire au collège l'ont traité comme une source d'information crédible (Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot).
La médiation. Les parents et les enseignants servent de médiateurs pendant les années scolaires, les bibliothécaires et les encadrants pendant les années universitaires — et la contrepartie universitaire relève de l'expertise plutôt que de la tutelle : la plateforme d'ingénierie gardait un humain là où l'algorithme était le moins sûr (Developing an AI-Assisted Seminar-Based Learning Platform With Embedded Librarian Support: Enhancing Information Literacy of Engineering Research Teams).
Les enjeux de l'évaluation. La conception de LMS pour le collège borne l'IA par activité, en gardant des indices limités en mode pratique et en coupant l'IA sur les items notés (AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High) — une précaution que les données probantes sur la pénalité d'apprentissage au secondaire rendent concrète (The Generative AI Learning Penalty: Evidence from Chinese Secondary Education).
Les obligations de protection des données pour les mineurs. Les obligations s'échelonnent avec l'âge : pour les mineurs, les propositions du corpus sont structurelles — minimisation des données, contraintes de réponse adaptées à l'âge, contrôle d'accès fondé sur les rôles, journaux auditables (AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High) — et la conscience qu'ont les enfants de la sécurité numérique ne peut être présumée, puisque certains étaient disposés à confier des secrets à un chatbot (Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot). Pour les adultes, les obligations se déplacent vers le consentement, le contrôle et les flux transfrontaliers de données (Rethinking data privacy for AI adoption in African higher education: A meta-synthesis of stakeholder perceptions and policy implications).
Une gouvernance qui convient à la bande. La disposition est propre à chaque couche : 395 cadres ukrainiens ont obtenu un score de disposition personnelle supérieur de 0.68 point à celui de disposition systémique (d = 0.73), ont cité le plus souvent l'absence de réglementation (58.5%) et ont noté la personnalisation — le bénéfice que les fournisseurs promettent le plus — au plus bas de toutes les applications (29.4%) (AI adoption readiness among Ukrainian education managers: Barriers, typologies, and policy implications).

Implications pour l'IA en éducation

Lisez le champ de niveau avant le champ de sujet. Un constat issu d'une bande est une hypothèse pour une autre, non un résultat transférable.
Pour les bandes les plus jeunes, adaptez le soutien, et non la difficulté des tâches (Effectiveness of adaptive versus non-adaptive intelligent tutoring systems in early primary mathematics).
Ne transposez pas un outil par-delà la césure école/université sans respécifier qui détient l'autorité épistémique. Une dépendance qui abaisse l'autonomie dans la formation doctorale est un risque pour la formation à la recherche (AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training).
Bornez l'IA par activité, et non par enthousiasme, et échelonnez les obligations de protection des données avec l'âge (AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High, Rethinking data privacy for AI adoption in African higher education: A meta-synthesis of stakeholder perceptions and policy implications).
Concevez pour l'adulte médiateur de cette bande — parent, enseignant, bibliothécaire ou encadrant — et mesurez sa disposition séparément de celle de l'institution (AI adoption readiness among Ukrainian education managers: Barriers, typologies, and policy implications, Developing an AI-Assisted Seminar-Based Learning Platform With Embedded Librarian Support: Enhancing Information Literacy of Engineering Research Teams).
Dites franchement quand une bande n'a aucune donnée probante, et ne confondez pas l'intention avec la réussite : plusieurs études propres à un niveau rapportent des résultats d'attitude ou issus de déclarations des intéressés plutôt que d'apprentissage.

Concepts liés

Métadonnées

Niveau	Preschool, Primary Education, Middle School, Secondary, K 12, Higher Ed, Undergraduate, Graduate, Adult Learning, Special Education, Teacher Education
Public visé	Learners, Parents And Families
Apprentissage et enseignement	L'étayage, L'apprentissage autorégulé, Connaissances antérieures
Technologies et techniques	Apprentissage adaptatif, Apprentissage personnalisé
Évaluation et mesure	Évaluation, Gains d'apprentissage
Méthodes de recherche et évaluation	Méta-analyse et revue systématique
Institutions et politiques	La politique d'IA en éducation, La gouvernance de l'IA
Équité, éthique et usage responsable	Effets différentiels selon les groupes d'apprenants, L'équité, La vie privée, Sécurité pédagogique
Fondements de l'IA dans l'éducation	L'IA en éducation, Identité de l'apprenant

Source History Edit Chat