Base de connaissances AIEdAIEd KB
Sur cette page

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

Concepts

Le développement éducatif

Création 2026-08-09 · Mise à jour 2026-10-10

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

Le développement éducatif (Educational Development), également désigné par le terme de faculty development — les processus, les programmes et les soutiens institutionnels qui aident les éducateurs à développer les compétences, la confiance et l'identité professionnelle nécessaires pour enseigner efficacement avec l'IA. Le développement éducatif couvre la formation individuelle, la refonte du programme, l'évolution de la politique institutionnelle, et le travail culturel consistant à donner du sens à ce que l'IAG signifie pour la profession académique.

Questions à examiner

  • Si des enseignants d'un même département décrivent l'IA tantôt comme un « assistant » à l'image de l'humain, tantôt comme un simple « outil » ou « moteur de recherche », un programme de formation peut-il vraiment réussir avant que ces modèles mentaux sous-jacents ne soient mis au jour ? Que pourrait-il se passer si le développement négligeait cette étape ?
  • Le développement éducatif est souvent traité comme la résorption d'un écart de compétences — enseignez les outils aux enseignants et ils les adopteront. Mais certaines recherches formulent l'intégration de l'IAG comme un changement au niveau de l'identité (« à quoi bon enseigner à l'ère de l'IAG ? »). Lequel de ces cadrages vous semble le plus juste, et quelles actions différentes chacun implique-t-il ?
  • Les cadres de préparation comme l'EPIQ-AI répartissent la préparation des enseignants en domaines épistémique, pédagogique, institutionnel et qualité-conformité. Si la préparation est un problème d'alignement socio-technique plutôt qu'un écart de compétences individuel, qu'est-ce que cela dit de l'endroit où un « atelier sur l'IA » isolé risque d'échouer ?
  • Quand avez-vous senti vos propres hypothèses sur une nouvelle technologie émerger et se déplacer — par la discussion, la métaphore ou un langage partagé plutôt que par l'instruction ? Quel rôle, à votre avis, le langage partagé et l'analyse des métaphores jouent-ils pour aider les éducateurs à donner du sens à l'IA ?
  • Imaginez un « atelier sur les métaphores » peu technique, où enseignants, personnel et étudiants se demandent si l'IA ressemble à un couteau suisse, à un assistant, à une boîte noire ou à un concurrent. Mettre au jour les peurs (y compris la peur que l'IA ne remplace les fonctions d'enseignement) pourrait-il davantage favoriser l'adoption qu'une formation technique supplémentaire ?

Introduction

Le développement éducatif est le travail professionnel et institutionnel par lequel les enseignants construisent la capacité de concevoir, d'enseigner et d'évaluer correctement — et à l'ère de l'IA, il est devenu une condition préalable à la prise d'effet de tout changement pédagogique. Le concept couvre l'individu (littératie en IA, confiance, compétence, attitudes) et l'institutionnel (normes, politique, assurance qualité, et alignement entre les attentes affichées en matière d'IA et la conception réelle de l'évaluation). Un constat récurrent dans cette base de connaissances est que les preuves relatives aux pratiques efficaces devancent sensiblement ce que la plupart des établissements ont mis en œuvre, ce qui fait du travail de développement — et non de la recherche primaire supplémentaire — la contrainte déterminante. Les sciences de l'apprentissage produisent les résultats que ce travail transporte : là où ce champ établit empiriquement comment les gens apprennent et quelles conceptions font changer les résultats, le développement éducatif est la pratique institutionnelle qui fait passer ces preuves dans la manière dont les enseignants enseignent et évaluent effectivement. Son travail, toutefois, est borné par une limite institutionnelle : le développement construit la capacité des personnels à l'intérieur d'un établissement, tandis que les outils que ces personnels sont ensuite invités à adopter sont généralement construits à l'extérieur par des développeurs de technologies éducatives, dont les décisions de conception et d'approvisionnement — valeurs par défaut, configurabilité, ce qui survit au financement — arrivent comme des contraintes pesant sur le programme plutôt que comme des produits de celui-ci.

Le développement éducatif à l'ère de l'IA

  • Les cadres de préparation : le cadre EPIQ-AI identifie quatre domaines de préparation : épistémique, pédagogique, institutionnel et qualité-conformité. La préparation des enseignants est un problème d'alignement socio-technique, et pas seulement un écart de compétences individuel.

  • Les normes d'intégration des technologies : Crompton et al. utilisent la recherche fondée sur la conception pour développer des normes d'intégration des technologies (y compris l'IA) destinées aux enseignants dans les établissements d'enseignement supérieur.

  • L'adoption et la confiance : les recherches sur l'adoption de l'IA par les enseignants identifient les préoccupations, le soutien, la confiance et les attitudes comme prédicteurs clés. Les programmes de développement professionnel doivent traiter ces quatre dimensions.

  • L'intégration au curriculum : les cadres de changement institutionnel et la réforme de l'évaluation exigent que les enseignants repensent les cours, et pas seulement qu'ils y ajoutent des outils d'IA.

  • Les programmes de formation : les cadres de montée en compétences sur l'IA et la formation en formation initiale fondée sur le TPACK fournissent des modèles pour une formation structurée des enseignants à l'IA.

  • La réflexion professionnelle médiatisée par l'IA. Le Reflective Triangle Model positionne l'IA comme un médiateur cognitif entre l'auto-réflexion, la réflexion collaborative et la réflexion communautaire au sein d'une communauté d'apprentissage professionnel, testé dans une étude de faisabilité de quatre semaines auprès de six enseignants ; la frontière qu'il trace est que l'insight individuel ne devient pas automatiquement un savoir professionnel partagé (Nguyen (2026)).

  • La gouvernance et la politique : les analyses des politiques institutionnelles sur l'IA documentent l'écart entre les ambitions institutionnelles et la capacité de soutien aux enseignants.

  • La littératie en IA est institutionnellement invisible. Une revue systématique de 32 études sur la littératie en IA des enseignants de langues l'a trouvée absente des modèles de charge de travail, des politiques de promotion et de l'allocation des ressources, avec un développement fragmenté et une responsabilité déplacée entre les établissements et les agences — si bien que le développement de la littératie se replie par défaut sur l'effort individuel plutôt que sur un soutien structurel (Deng, Çelik & Duran, 2026)).

Les métaphores et le langage partagé dans le développement éducatif

Les enseignants portent des modèles mentaux hétérogènes et souvent profondément ambivalents de l'IA, et un développement efficace doit les mettre au jour et travailler avec eux. Gerhardt et al. montrent que les enseignants d'ingénierie cadrent l'IA à travers des métaphores qui construisent et contraignent tout à la fois la compréhension (l'IA comme « assistant » à l'image de l'humain contre l'IA comme « outil » ou « moteur de recherche ») ; parce que les enseignants d'un même département portent souvent des conceptualisations foncièrement différentes, un langage partagé et exact sur l'IAG est une condition préalable au développement efficace des enseignants et à des discussions départementales productives sur l'adoption.

Une méthode pratique pour mettre au jour ces modèles mentaux est l'atelier d'analyse des métaphores. Vallis, Wilson & Casey (2025) ont conçu et validé un atelier collaboratif peu technique, destiné aux enseignants, au personnel et aux étudiants, pour leur permettre d'articuler leurs métaphores de l'IA générative. Les métaphores des participants se sont regroupées en quatre catégories — Functions (fonctions, à la manière d'un outil : « Swiss army knife »), Roles (rôles, à l'image de l'humain : « helper », « frenemy »), Qualities (qualités, inconnaissables : « black box », « slippery slope ») et Agency (agentivité, menaçante : « competitor », « sinister robot ») — faisant émerger des tensions persistantes entre l'agentivité humaine et la machine, et entre le connu et l'inconnaissable. L'atelier a aidé les participants à mettre au jour leurs hypothèses, à se relier au-delà des rôles, à se sentir « pas seuls » et à réfléchir à l'éthique de l'IAG, sans exiger d'expertise technique. Comme outil de développement, il donne aux concepteurs de programmes un moyen à faible barrière de mettre au jour les hypothèses d'une équipe avant de repenser l'évaluation ou de déployer une politique, et d'affronter directement les peurs — y compris la peur que l'IA ne remplace les fonctions d'enseignement. (Fear and Awe: Making Sense of Generative AI Through Metaphor)

L'IAG comme travail sur l'identité, et pas seulement comme montée en compétences

Un point de vue informé par la théorie des seuils recadre l'intégration de l'IAG comme une transformation ontologique pour les enseignants, et non comme un écart de compétences. Appliquant la théorie des concepts-seuils (Meyer & Land), Laidlaw soutient que l'IAG présente les cinq caractéristiques d'un concept-seuil — transformative (elle reconstruit les hypothèses relatives à l'évaluation, à la pédagogie et au rôle professionnel), troublesome (elle viole les croyances relatives à l'originalité, à l'agentivité humaine et au lien effort–réussite), irreversible, integrative (elle relie technologie, pédagogie, épistémologie et identité) et bounded (la maîtrise de l'IAG devient un nouveau marqueur de valeur professionnelle). (When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Dans cette perspective, les enseignants qui demandent « à quoi bon enseigner à l'ère de l'IAG ? » ne sont pas déficients en compétence ; ils se trouvent dans une phase liminale de franchissement de seuil, où l'anxiété, la résistance et la confusion sont des parties nécessaires de la transformation, et non des obstacles à éliminer. Une formation fondée sur les compétences, qui répond à une question de compétence que les enseignants ne posent pas, peut devenir périphérique à la transformation réelle, et une gouvernance bien intentionnée peut verser dans une « illusion d'application » — communiquer des règles plutôt que soutenir le changement. (When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Implication de conception : compléter (sans la remplacer) la construction de compétences par des pratiques de soutien à l'identité — ouvrir les séances par des questions d'identité plutôt que par des démonstrations techniques, animer des cohortes continues propres à la discipline où les enseignants explorent ce que l'IAG signifie pour la finalité de leur domaine, créer des structures de mentorat par les pairs qui honorent les différents calendriers de transformation, et distinguer l'hésitation fondée sur la peur (qui bénéficie d'un soutien) de la non-adoption par principe, ancrée dans des valeurs disciplinaires légitimes (qui mérite le respect). (When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap) Le modèle d'atelier sur les métaphores présenté plus haut en est une matérialisation concrète : plutôt que de partir de la montée en compétences technique, il ouvre par la question interprétative, chargée d'identité, de ce que l'IAG signifie pour les participants.

Un étayage empirique du cadrage en termes de travail sur l'identité. Farazouli et al. (2026) fournissent une preuve qualitative directe de ce compte rendu : 24 enseignants universitaires suédois ont décrit l'émergence de l'IAG comme alarmante et accablante, rapportant un « état de vulnérabilité » (faible confiance, insécurité, crainte de « ne pas devancer les étudiants ») et un sentiment d'être « coincés » entre les discours utopiques et dystopiques. Leurs connaissances et leur expérience limitées, conjointement aux sentiments de vulnérabilité, soulignent le manque de préparation des enseignants à naviguer, évaluer et adopter l'IAG — et les auteurs soutiennent que les établissements doivent fournir des espaces et un temps dédiés pour que les enseignants expérimentent avec l'IAG, échangent des idées et développent collaborativement des pratiques et des orientations aux niveaux institutionnel, départemental et du cours. Cela ancre l'approche fondée sur le travail sur l'identité et sur le soutien dans l'expérience rapportée par les enseignants eux-mêmes, et pas seulement dans la théorie.

Un programme qui a traité directement la question de l'identité. Chick, Morello & Staffey (2026) rapportent un institut d'été de six semaines qui a fait passer dix enseignants des sciences de l'éducation, des sciences de la santé, du commerce et d'autres programmes d'une faible maîtrise de l'IA (auto-évaluation moyenne de 1.89 sur une échelle de six points) à 60% déclarant une grande confiance dans l'accompagnement de l'usage de l'IA par les étudiants et 90% de perceptions positives, et ils attribuent ce déplacement moins à la formation aux outils qu'à une expérimentation structurée et sûre, qui s'ouvrait par la question existentielle de la valeur professionnelle plutôt que par des démonstrations. Le changement de vocabulaire est le marqueur sur lequel ils s'appuient : les premiers cadrages de l'IA comme « machine à tricher » ou comme « force déshumanisante » ont cédé la place à celui d'« assistant curieux », et leurs quatre thèmes — de la peur à la curiosité, un désir de clarté éthique que le vide politique n'a pas comblé, la conception inclusive comme amplificateur d'équité, et les enseignants passant de gardiens à guides — décrivent une réorientation partielle et délibérée de l'identité pédagogique. Les dix refontes de projet de fin d'études constituent la preuve la plus solide, huit sur dix positionnant l'IA comme un étayage qui soutient la pensée plutôt qu'il ne la remplace, et la pédagogie symbiotique des auteurs formalise ce que les participants ont construit : conception complémentaire, processus transparent, intégration critique, raisonnement éthique intégré et affinage itératif. La réserve est structurelle plutôt qu'individuelle : les mêmes participants ont signalé des signaux politiques contradictoires, des abonnements personnels à des outils et aucune libération de temps pour les refontes, si bien que les auteurs concluent que la résistance n'a jamais été le problème, et que des réponses partielles laissant intactes la politique et l'infrastructure échoueront même auprès d'une cohorte enthousiaste.

Le développement comme médiation, et la première question que pose un développeur. Sithole (2026) étudie le développement académique — le nom antérieur du domaine, et le terme employé par l'International Journal for Academic Development, qui a publié l'article — dans deux établissements sud-africains historiquement défavorisés, et recadre les développeurs non comme des exécutants techniques mais comme des médiateurs numériques travaillant selon trois registres : pédagogique (traduire le discours sur l'IA en pratiques viables d'enseignement, d'apprentissage et d'évaluation), éthique (confronter l'automatisation à l'intégrité académique, l'innovation au soin) et institutionnel (travailler l'espace liminal entre les impératifs du management et les préoccupations académiques). Deux résultats importent pour la conception des programmes. Premièrement, la question du filtrage est contextuelle avant d'être technique — « qu'est-ce que cela signifie pour l'enseignement ici, pour nos étudiants issus d'écoles pauvres ? » — et le fait de ralentir l'adoption compte comme une partie du travail plutôt que comme une résistance à celui-ci. Deuxièmement, le coût affectif est structurel, et non personnel : on attendait des développeurs qu'ils projettent une expertise sur des outils dont ils étaient encore en train de cerner les implications (« I feel like an impostor. I am learning AI as I go, but the institution expects expertise »), et leur réponse a consisté en un apprentissage professionnel par les pairs, visant le jugement plutôt que la compétence, incluant le fait d'essayer délibérément de « casser » les outils. L'apport analytique de l'article consiste à séparer l'inégalité numérique, un problème distributif, de la colonialité algorithmique, un problème épistémique qui survit à un accès complet — et à placer les deux dans l'enseignement supérieur du Sud global, où l'on attend du travail de développement qu'il soit transformateur plutôt qu'un service de soutien neutre.

La culpabilité et l'inconfort moral comme signal développemental. Vassallo (2026) fournit la contrepartie affective du compte rendu en termes d'identité. Dans une enquête menée auprès du personnel académique d'une université maltaise (109 réponses, un taux de 3.5% que l'article lit comme en soi informatif sur l'état du débat éthique), la culpabilité suivait la dissimulation plutôt que la divulgation — limiter son usage de l'IA par malaise était corrélé à l'AI Guilt Index à r = .62, et éviter la divulgation auprès des collègues à r = .50 — tandis que la divulgation formelle dans les productions académiques ne montrait aucune relation (r = .08). Seuls 31.2% voyaient des orientations institutionnelles claires, et la corrélation entre cette clarté et une culpabilité plus faible était faible (r = −.25, p = .010), ce que l'article lit comme la preuve que des injonctions descendantes ne peuvent pas résoudre un problème en partie émotionnel et identitaire. Ses recommandations sont directement développementales : traiter la culpabilité et le souci d'identité comme des réactions transitionnelles normales plutôt que comme des fautes à corriger, utiliser une expérimentation structurée à faibles enjeux pour faire traverser aux personnels leur anxiété anticipatoire, et s'appuyer sur le mentorat par des universitaires chevronnés, la culpabilité étant la plus élevée parmi les personnels en début de carrière (M = 2.71) et la plus faible parmi les plus chevronnés (M = 2.03).

Des orientations pratiques pour les concepteurs de programmes

Pour les responsables du développement des enseignants, les dirigeants académiques et les concepteurs pédagogiques qui planifient un développement professionnel des enseignants sur l'IA, les preuves de la base de connaissances suggèrent ceci :

Traiter les quatre moteurs de l'adoption, et pas seulement la connaissance. La confiance, les attitudes, le soutien et les préoccupations prédisent si les enseignants adoptent effectivement l'IA — un atelier purement cognitif qui les ignore a peu de chances de changer la pratique. Concevoir le développement de manière à construire la confiance par l'usage pratique, fournir un soutien continu (et non une formation ponctuelle), et mettre activement au jour les préoccupations des enseignants pour y répondre. (AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes)

La confiance et la littératie ne sont pas des cibles interchangeables : dans un modèle d'équations structurelles portant sur 502 répondants du corps professoral universitaire, la littératie en IA était le prédicteur dominant du bien-être face à l'IA (β = 0.713), tandis que l'auto-efficacité technologique y contribuait peu (β = 0.082), et que le soutien n'atteignait le bien-être qu'indirectement (Liu et al. (2026)).

Traiter la demande d'orientations et l'adéquation des orientations comme deux problèmes distincts. Dans une université, les enseignants soutenaient fortement les mesures institutionnelles contre l'usage non éthique de l'IA (M = 4.59) tout en jugeant les orientations existantes les plus faibles (M = 2.99), et ont désigné la protection des données et l'inclusivité culturelle comme leurs connaissances les plus faibles — une cible concrète pour le développement professionnel (Bilgic & Sever, 2026).

Traiter la préparation comme un problème d'alignement socio-technique. Le cadre EPIQ-AI montre que la préparation des enseignants couvre les domaines épistémique, pédagogique, institutionnel et qualité-conformité. Les programmes qui ne forment que l'individu manquent les leviers institutionnels (politique, charge de travail, incitations, normes de qualité) qui permettent ou bloquent le changement — alignez-les aux côtés de la formation. (Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity) Ne pas assimiler investissement infrastructurel et transformation. Sur 125 études, l'investissement institutionnel dans l'infrastructure IAG et le développement éducatif n'était que faiblement corrélé au changement pédagogique réel (r = 0.12), tandis que 60–70% des enseignants se sentaient peu préparés à intégrer l'IAG — ce qui fait du développement, et non de l'approvisionnement, la contrainte déterminante. (Rathnayake (2026))

Œuvrer vers la refonte du curriculum, et non vers l'adoption d'outils. L'objectif est que les enseignants repensent les cours et l'évaluation, et pas seulement qu'ils y ajoutent des outils d'IA. Ancrez le développement professionnel dans un travail de refonte au niveau du cours et dans une réforme de l'évaluation, et donnez aux enseignants des cadres structurés pour le faire (par exemple des échelles d'évaluation, des cadres de changement institutionnel). (A Framework for Institutional Change in the Age of AI)(A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform)

Réunir le village, et non l'individu. Sur 12 universitaires et 17 étudiants interrogés, la refonte de l'évaluation à l'ère de l'IAG excédait la capacité d'un universitaire isolé — des processus rigides, des délais longs et une charge de travail ont été cités — si bien que les auteurs proposent une équipe à l'échelle du programme combinant des expertises en conception de l'évaluation, en IAG, disciplinaire, de programme et sectorielle (Nicola-Richmond et al., 2025).

Animer la série sur les données de la salle elle-même plutôt que sur des bonnes pratiques importées. Perl-Nussbaum and Finkelstein (2026) documentent un modèle éprouvé issu d'un grand département de physique public de type R1 : six séances bimensuelles de 60 à 75 minutes, dix-neuf enseignants participant à la série et environ dix à chaque rencontre, où chaque séance s'ouvrait sur des données locales ou des supports issus du département, se poursuivait par un test en petits groupes de l'IA sur de véritables devoirs d'étudiants anonymisés, et se concluait par une discussion collective. Ce que les enseignants ont découvert en testant s'est révélé plus utile que tout paquet que les animateurs auraient pu importer — l'IA a résolu chaque problème qu'ils ont essayé, mais sa rétroaction sur de véritables travaux d'étudiants était inégale, dépendante des consignes et superficielle, à moins qu'on ne lui fournisse des objectifs et des grilles explicites, et les étudiants formulaient des consignes peu approfondies et modifiaient superficiellement les productions, à moins qu'un usage productif ne soit modelé. La première production concrète a été un répertoire vivant de cinq entrées — énoncés de politique de programme de cours, supports de discussion en classe, l'enquête auprès des étudiants, des tâches de devoirs intégrant l'IA et des structures d'évaluation — ce qui explique pourquoi les auteurs traitent la structure même des séances comme l'argument, plutôt que comme un contenu qu'elle aurait délivré.

S'ancrer dans un cadre de compétences. Le développement devrait aussi construire une littératie en consignes pédagogique — la capacité d'encoder des intentions pédagogiques dans des consignes — puisque Talebzadeh (2026) constate que c'est l'expertise pédagogique, et non la maîtrise de l'IA, qui détermine la qualité des travaux de conception assistée par l'IA des enseignants. (AI-accelerated End-to-End Framework for Rapid Professional Upskilling)(AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study)(The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework)

Séquencer la compréhension avant l'automatisation. Une analyse critique du discours portant sur 14 textes de littérature grise publiés entre novembre 2022 et avril 2025, conseillant les praticiens sur l'IA générative en vue d'un alignement constructif, constate que la capacité doit précéder l'accès aux outils : parce que la qualité de l'engagement précède la qualité de la compréhension dans un cadre Le constructivisme constructiviste, le risque varie à l'inverse de la familiarité, et les novices sont les plus exposés à une accepte commandée par la plausibilité de productions d'apparence plausible mais pédagogiquement minces. McInnes et al. (2026) soutiennent en outre que les unités de développement devraient résister à un mandat techniciste — aider les enseignants à « acquérir la maîtrise » d'outils qui font « le gros du travail » de la conception de cours — parce que ce cadrage exclut les développeurs d'une boucle fermée éducateur–IAG et recastre le développement relationnel et guidé par les valeurs comme un mécanisme de médiation pour l'adoption de logiciels. L'alternative défendable maintient les développeurs éducatifs comme curateurs et poseurs de règles de tout assistant d'alignement fondé sur la récupération, borné institutionnellement, qui pose des questions probantes, signale les sous-évaluations et les surévaluations et génère des alternatives, mais jamais des artefacts achevés, l'escalade vers le jugement humain pour les questions d'accréditation et inter-programmes étant traitée comme une fonctionnalité plutôt que comme une exception.

Mettre au jour et traiter les peurs et les modèles mentaux. Avant de repenser l'enseignement, utilisez un atelier d'analyse des métaphores (Vallis, Wilson & Casey 2025) pour mettre au jour les hypothèses et les anxiétés d'une équipe au sujet de l'IAG — y compris la peur qu'elle ne remplace les fonctions d'enseignement — et construisez un développement qui y réponde plutôt qu'il ne les ignore. (Fear and Awe: Making Sense of Generative AI Through Metaphor)

Modeler la littératie en IA et mesurer les gains réels. Le développement des enseignants devrait lui-même incarner les pratiques qu'il enseigne — utiliser l'IA de manière pédagogique, évaluer les productions de manière critique — et devrait évaluer la compétence démontrée plutôt que la confiance déclarée par soi-même, puisque l'auto-perception surestime de manière fiable la compétence en IA. (How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)(Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers)

Ne pas présumer que l'expertise disciplinaire se transfère à l'IAG. Sutedjo, Chowdhury & Liu (2026) ont interrogé 127 enseignants d'universités de recherche américaines à l'aide de l'instrument TPACK-21 et ont constaté que les connaissances disciplinaires (CK) ne présentaient aucune corrélation significative avec les connaissances technologiques ni avec aucun domaine intégrant les technologies (r =.11–.15, ns) — l'expertise disciplinaire ne prédisait pas les connaissances en intégration de l'IAG. Les domaines intégrant les technologies (TPK, TCK, TPACK) étaient inter-corrélés à un point tel (r =.81–.91) qu'ils peuvent fonctionner comme un facteur unique d'intégration de l'IAG. En pratique : construisez l'intégration de l'IAG par des activités propres à la discipline qui relient les affordances de l'IAG aux matières de chaque enseignant, et traitez les domaines intégrant les technologies comme un socle unique de littératie en IAG plutôt que de les entraîner comme des compétences séparées. (Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills)

Des modèles de classe intelligente propres à la discipline. Zhu, Liang, Mao, and Wang (2026) montrent comment un cours de master en éducation en mathématiques peut être enrichi par des Technologies de l'IA éducatives intelligentes (notation automatisée, recommandations personnalisées, rétroaction par plusieurs IA) intégrées aux étapes pré-, pendant et post-classe dans un cadre de classe intelligente tridimensionnel. Leur quasi-expérimentation a mis en évidence des gains statistiquement significatifs dans la maîtrise de la conception des objectifs pédagogiques, offrant un modèle D-T-E transposable (Disciplinary Demand–Technological Empowerment–Evaluation Loop) aux formateurs d'enseignants et aux développeurs éducatifs qui cherchent à faire passer les cadres d'éducation intelligente de concepts macro à une pratique propre à la discipline.

Mesurer l'assiduité, et non le sentiment d'engagement. Dans un programme Intelligent-TPACK de six mois réunissant 64 enseignants universitaires, le taux d'assiduité prédisait le gain de compétence en IA (β = .407, p = .001) tandis que la participation perçue par soi-même ne le faisait pas (β = .049, p = .692), ce que les auteurs lisent comme un investissement comportemental concret face à un engagement de surface (Tan, Cheng & Ling, 2025). Le programme associait des cours en ligne à trois ateliers en présentiel, puis exigeait que les enseignants révisent leurs conceptions pédagogiques et les mettent en œuvre au semestre suivant, et les auteurs recommandent d'intégrer l'assiduité à l'évaluation du personnel, parallèlement à des incitations signifiantes.

Se référer à ce que les enseignants eux-mêmes rapportent. L'enquête de Watson & Rainie (2026) auprès de 1,057 enseignants américains montre que la couche institutionnelle est mince de manière directement mesurable par les concepteurs de programmes : 59% jugeaient leur établissement peu préparé à utiliser l'IA générative efficacement pour préparer les étudiants à l'avenir et 68% disaient qu'il n'avait pas préparé les enseignants à l'utiliser pour l'enseignement et l'accompagnement, tandis que la réponse structurelle se limitait à un groupe de travail dans 55% des établissements mais à un résultat d'éducation générale en matière de littératie en IA dans 13% seulement. Les enseignants n'avaient pas attendu la politique — 87% avaient rédigé leurs propres règles au niveau du devoir, contre 48% qui pouvaient désigner une règle institutionnelle — et ils désignaient la résistance des collègues (82%) et leur méconnaissance (83%), et non l'injonction, comme les obstacles à l'adoption départementale. Pour les programmes de développement, cela plaide en faveur de traiter les normes entre pairs, le langage partagé des politiques au niveau du devoir et des mesures explicites de la préparation institutionnelle comme une partie de l'intervention, plutôt que de les abandonner au document de politique.

La réponse des enseignants reflète les centres de pouvoir, et non l'attitude. Dans une étude de cas instrumentale portant sur 33 enseignants d'écriture, quatre centres de pouvoir polycentriques — la tendance mondiale de l'IAG, l'université/le département, les collègues et les étudiants — ont façonné la pratique, et les vacataires, contraints par un pouvoir discursif limité, sont passés de la détection à l'enseignement de l'usage acceptable (Zuo et al. (2026)).

Concepts liés

Articles liés

FAQ liées

Ressources liées

  • Education Agent Skills
    Une bibliothèque de 165 compétences d'agent fondées sur des preuves couvrant la pédagogie, les sciences de l'apprentissage, les programmes et l'évaluation, empaquetées pour Claude, Codex et Hermes.
  • FPDS Apps and Resources
    La page de ressources publique des Faculty Professional Development Services du Hillsborough College, qui réunit ses ressources sur l'IA, l'enseignement et l'accessibilité en un seul endroit.

Métadonnées

NiveauHigher Ed, K 12
Public viséFaculty Developers, Instructors
Institutions et politiquesLa politique d'IA en éducation
Fondements de l'IA dans l'éducationLittératie en IA, La conception de programme d'études, Conception pédagogique, L'enseignement, La compétence des enseignants en IA
SourceHistoryEditChat

Intégrer cette page

Copiez le code ci-dessous pour intégrer cette page dans un système de gestion de l'apprentissage ou un autre site. La version intégrée n'affiche que le contenu de la page : l'en-tête, la navigation et le pied de page du site sont masqués.