L'IA générative

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'IA générative (Generative AI) — des systèmes d'IA capables de produire du texte, du code, des images et d'autres contenus, le plus souvent des grands modèles de langage tels que GPT-4 et Claude. L'IA générative est la technologie qui alimente la vague actuelle de recherche sur l'IA en éducation.

Questions à examiner

L'IA générative produit à la demande des contenus fluides et d'allure assurée. La fluidité équivaut-elle à l'exactitude, et où avez-vous observé une production assurée mais erronée — qu'est-ce qui la rendait difficile à repérer ?
À la différence des systèmes antérieurs fondés sur des règles ou sur la récupération, les modèles génératifs créent de nouveaux contenus plutôt qu'ils ne récupèrent des réponses stockées. Comment ce changement modifie-t-il les risques — hallucination, sur-dépendance, intégrité académique — par rapport à un moteur de recherche ?
Avec plus de 80 articles, l'IA générative constitue le fil le plus important de cette base de connaissances, couvrant le tutorat, l'évaluation, la génération de contenus et la sécurité. Quelle application vous semble la plus prometteuse pour l'apprentissage, et laquelle la plus dangereuse — et pourquoi ?
La même technologie qui peut produire un tutorat socratique peut aussi produire un « piège de la réponse correcte » qui encourage la copie. Quels choix de conception pourraient distinguer une IA générative qui étaye l'apprentissage d'une IA générative qui le court-circuite ?

Introduction

Ce qui distingue l'IA générative en éducation

À la différence des systèmes antérieurs fondés sur des règles ou sur la récupération, l'IA générative produit à la demande des contenus fluides et contextuellement pertinents. Cela crée à la fois des opportunités sans précédent et des risques inédits :

La génération de contenus : les LLM peuvent créer des supports pédagogiques, des exemples et des explications. Les manuels synthétiques, les vidéos adaptatives et les vidéos pédagogiques montrent l'étendue de la génération de contenus éducatifs.
Des ébauches de plan de cours tributaires de la plateforme et de la langue. L'évaluation experte de l'IA appliquée à des plans de cours de sciences générés par l'IA montre que la qualité des contenus n'est ni uniforme ni neutre. Karaismailoglu, Surmeli et Yildirim (2026) ont demandé à onze spécialistes de l'enseignement des sciences d'évaluer ChatGPT-4 et un outil centré sur l'éducation (Teacher's Buddy) au regard des étapes de l'Engineering Design-Based Learning de sixième : la plateforme centrée sur l'éducation a dépassé l'outil d'usage général sur les huit critères de qualité, et pourtant 7 des 11 experts n'ont jugé les plans qu'« applicables après correction ». Les deux plateformes ont produit des contenus pédagogiquement plus riches à partir de consignes en anglais qu'en turc, même lorsqu'on leur demandait de se localiser pour Mersin, en Turquie — une préoccupation de division numérique là où la langue de la consigne façonne la qualité pédagogique.
Le tutorat et le dialogue : les systèmes de tutorat par IA utilisent l'IA générative pour un enseignement conversationnel. Le dialogue socratique et le tutorat collaboratif exploitent les capacités génératives au service de l'interaction pédagogique.
Patients simulés et cohérence des cas. Un corpus annoté par plusieurs experts, portant sur 4,815 messages étudiants-IA issus de la plateforme MeduAI-SP (Yang et al., 2026), a montré que seulement environ 0.68% des réponses de patients standardisés générées par LLM présentaient des problèmes de fidélité manifestes, et que la divulgation progressive a été jugée cliniquement appropriée dans environ 99.3% des messages de patients. Cela vient étayer l'affirmation selon laquelle des patients simulés fondés sur l'IA générative peuvent maintenir la cohérence du cas et une divulgation non prématurée, dépendante de l'interrogatoire, sous un scriptage YAML structuré (qwen-max), ce qui en fait un environnement suffisamment stable pour la recherche sur les résultats, et pas seulement pour des démonstrations de plausibilité — le système retenant délibérément les diagnostics et les notes sommatives pendant l'apprentissage.
L'évaluation : la notation des dissertations, la notation automatisée et la évaluation formative reposent de plus en plus sur les modèles génératifs. Les tests de référence corroborent ce glissement pour les travaux ouverts : Pecuchova, Benko & Drlik (2025) ont constaté que les modèles d'IAG sensibles au contexte (GPTo1 atteignant un accord presque parfait avec les correcteurs humains) surpassaient nettement les approches antérieures fondées sur les plongements de phrases pour la notation de réponses ouvertes d'étudiants, lesquelles s'appuyaient sur une correspondance rigide avec des références et classaient mal les réponses valables mais formulées autrement. Olvet et al. (2026) étendent ce résultat à l'enseignement médical pré-clinique, où la notation par GPT-4 de questions ouvertes a atteint un accord inter-évaluateurs substantiel à presque parfait avec les enseignants-chercheurs (kappa pondéré jusqu'à 0.94) — mais seulement après que les humains ont affiné itérativement la grille sur trois tours et sont restés dans la boucle pour arbitrer les écarts — tandis que la question la plus synthétique, fondée sur une grille globale, stagnait au niveau modéré (κw = 0.54). C'est la preuve que la fiabilité de l'évaluation générative est autant façonnée par l'ingénierie humaine des grilles et l'analyse des profils d'erreurs que par le modèle brut. Et pourtant, la même fluidité ne se généralise pas d'un type d'item à l'autre : Falahat et al. (2026) ont constaté que ChatGPT-5 égalait les enseignants-chercheurs sur les items objectifs des examens de pharmacie (CCC 0.935–1.000) mais pas sur les items à réponse courte (≈0) ni sur les items de dissertation (0.341–0.854), et une grille structurée n'a pas permis de combler l'écart de manière fiable.
Les risques : le risque d'hallucination, la sur-dépendance, le délestage cognitif et les préoccupations relatives à l'intégrité académique naissent spécifiquement de la fluidité et de l'accessibilité de l'IA générative.
Un problème de sécurité de l'apprentissage qui dépasse la qualité des productions. Rahimi (2026) soutient que l'IA générative peut améliorer la qualité du travail d'un apprenant tout en accomplissant le travail cognitif qu'il a besoin d'accomplir lui-même, si bien que la sécurité devrait être jugée sur la trajectoire de développement humain — la Learning Safety protégeant les compétences et la Learning Soundness soutenant leur développement — plutôt que sur l'exactitude, les biais ou la vie privée.
Les affirmations d'efficacité mesurent la performance, pas l'apprentissage. L'estimation la plus importante du domaine — une méta-analyse de 69 études rapportant g = 0.7 pour ChatGPT et outils similaires — regroupe la réussite immédiate des tâches plutôt que la rétention différée et sans assistance, aussi ne constitue-t-elle pas la preuve que l'IA générative produit de l'apprentissage (Yan et al., 2025).
La génération d'environnements d'apprentissage : des modèles génératifs spécialisés transforment désormais directement une ébauche de cours en artefacts d'apprentissage achevés. CogEvol (Tu et al. 2026), une famille de modèles entraînés pour la génération en une passe de diapositives structurées et de pages HTML interactives autonomes, produit une diapositive en 17 secondes médianes et une page interactive en 59 — remplaçant un agent multitours de plusieurs minutes. La fiabilité est assurée par un pipeline de production qui convertit de véritables échecs en 53,687 échantillons SFT vérifiés, plus une récompense hybride associant règles et VLM pour le RL fondé sur GRPO. Cela positionne l'IA générative comme un moteur de production de contenus, avec des implications pour les flux de production des enseignants et du programme, et pour l'évaluation de la question de savoir si les environnements d'apprentissage générés par l'IA sont fonctionnellement et pédagogiquement solides, et pas seulement visuellement soignés.

Un recensement de l'usage des outils par les éducateurs montre une attention concentrée sur la production plutôt que sur l'enseignement : les outils d'image, d'audio, de vidéo et de présentation représentaient environ la moitié des 50 outils proposés par 211 éducateurs dans neuf pays, tandis que les outils de tutorat et d'agents conversationnels formaient le plus petit groupe destiné à l'enseignement (Bower, Torrington & Lai (2026)).

La couverture de l'IA générative dans la base de connaissances

Avec plus de 80 articles, l'IA générative constitue le fil technologique le plus important de la base de connaissances. La recherche couvre les études d'efficacité (des méta-analyses), les préoccupations de sécurité (préjudices des tuteurs, garde-fous) et les principes de conception (l'accompagnement pédagogique).

Regroupées sur 53 études, les pratiques éducatives assistées par l'IAG ont surpassé les approches sans IAG sur la réussite (g = 0.40), la pensée d'ordre supérieur (g = 0.72), la motivation (g = 0.81) et l'écriture (g = 0.76), bien que l'IAG assistée par le jeu n'ait apporté aucun bénéfice significatif (g = 0.24) (Dong (2026)).

Une méta-analyse distincte portant sur 42 études consacrées à la seule motivation situe l'effet regroupé plus bas (g = 0.764) et rapporte un intervalle de prédiction à 95% s'étendant de [−0.689, 2.217], si bien que l'avantage motivationnel n'est pas de manière fiable positif dans un nouveau contexte (Fang et al. (2026)).

L'interface utilisateur générative est la capacité la plus récente de ce fil : des modèles qui produisent un artefact interactif fonctionnel — curseurs, simulations manipulables — plutôt que de la prose. Kovshov et al. (2026), une équipe de Google Research, rapportent que l'interface utilisateur générative disponible sur étagère n'est pas encore assez précise sur le plan pédagogique pour des construits complexes, mais que décomposer un objectif d'apprentissage en niveaux progressifs et envelopper la génération dans des boucles de critique et d'auto-amélioration produit des objets interactifs que des enseignants experts jugent acceptables. La leur est une conception orchestrée : les enseignants énoncent les objectifs, les approuvent et choisissent parmi les simulations candidates, de sorte que la contrainte déterminante pour la production de supports d'apprentissage interactifs sur mesure se déplace de la production vers la spécification, et que les garde-fous pédagogiques sont intégrés au pipeline de génération plutôt que laissés à la vigilance de l'enseignant après coup.

Au-delà de ces fils centraux, des travaux récents étendent la base de preuves aux contextes institutionnels, interactionnels et disciplinaires. Qin (2026) documente la manière dont l'université Lingnan a institutionnalisé la littératie en IA générative pour l'ensemble des étudiants de premier cycle dans le cadre d'une transformation numérique en arts libéraux. Chang et Li (2026) montrent que les conversations étudiants-IA encodent l'engagement cognitif associé à la discipline, environ 62% des consignes reflétant une demande cognitive d'ordre supérieur. Neto et ses collègues (2026) passent systématiquement en revue l'IAG dans l'enseignement aux soins de santé par scénarios, et constatent que la conception des consignes fonctionne comme une spécification pédagogique mais qu'elle est rarement alignée sur des cadres pédagogiques (34.8%) ou rapportée de manière reproductible (34.8%). L'IAG alimente aussi des simulations de jeux de rôle d'apprenants pour la formation des enseignants fondée sur la pratique : Zhuang and Zhang (2025) ont construit Student GPT, un chatbot ChatGPT personnalisé simulant un élève de collège porteur d'idées fausses courantes en matière de raisonnement sur les rapports, offrant aux enseignants de mathématiques en formation initiale une pratique abordable et propre au contenu du diagnostic de la pensée des étudiants — la preuve que la conception des consignes (une consigne fondée sur la littérature suscitait de manière fiable les erreurs conceptuelles visées, 0.98 contre 0.40) peut orienter un modèle génératif disponible sur étagère vers un persona pédagogique utile.

Une revue systématique portant sur les enseignants de langues (Li et al. 2026) constate que les éducateurs valorisent le plus l'IAG pour les travaux de préparation de contenus — planification des cours, création de supports et appui à l'écriture — tout en hésitant sur l'usage en classe, avec des préoccupations centrées sur l'intégrité académique (plagiat et validité de l'évaluation), le déplacement professionnel et le technostress ; l'adoption est façonnée par des facteurs d'identité professionnelle, pédagogiques, techniques, institutionnels et d'intégrité, et les écarts de compétences se répartissent selon l'episteme, la techne et la phronesis.

La génération de contenus s'étend pareillement au-delà des mathématiques vers la co-conception de ressources d'apprentissage avec les enseignants — par exemple, des étayages de Simulation co-conçus par des enseignants et l'IA pour l'apprentissage des STIM par drone qui préservent la validité pédagogique et la pertinence contextuelle. Dans l'éducation artistique STEAM des enfants (arts, design et médias), Luo and Tahir (2025) ont quantifié expérimentalement les gains des plans de cours assistés par ChatGPT par rapport à ceux produits par les enseignants (médiane évaluée par des experts 20.5 contre 17.6, p = .002, effet important) — et pourtant la même étude documente le fait que la fluidité des productions comporte de véritables modes d'échec pour la génération destinée à la classe : des plans idéalisés ou impraticables pour l'enseignement quotidien, des contraintes de sécurité des enfants manquées (par exemple, suggérer des couteaux à découper pour les jeunes enfants), un biais culturel centré sur l'Occident, et une génération d'images ou de ressources logiquement défectueuse ou hors de propos. L'apport est un cadre de conception des consignes (Role–Instructions–End Goal plus une grille de qualité « quatre points et une ligne ») qui transforme la question de la fiabilité, en la faisant passer de la capacité du modèle à générer à la manière dont les consignes et les critères d'évaluation doivent le contraindre pour un usage pédagogique. Les usages orientés vers l'équité demeurent peu explorés ; une initiative européenne de fablab IAG réservée aux filles a combiné deux outils d'IAG à une pédagogie féministe pour traiter les inégalités de genre persistantes dans la participation à l'informatique, en analysant les images générées par l'IAG par les filles et les réflexions des parties prenantes. Les applications d'assistance et d'inclusion constituent un fil croissant : Khlaif et al. (2026) — une étude de cas qualitative portant sur 21 étudiants de premier cycle malvoyants en Palestine — ont constaté que l'IAG adapte le rythme, le contenu et la présentation aux profils d'apprentissage individuels, simplifie les textes académiques complexes et convertit les contenus d'une modalité à l'autre, les apprenants la considérant comme complétant plutôt que remplaçant les enseignants.

L'IA générative comme agent pédagogique dans la littératie médiatique critique à l'école élémentaire. Demir et Akar (2026) opérationnalisent le modèle pédagogique 5E avec des outils d'IA générative (ChatGPT pour les questions réflexives et les questions-réponses, Grammarly et Canva AI pour l'affinage des contenus, Padlet pour la rétroaction entre pairs) intégrés phase par phase plutôt que comme ajouts isolés, dans le cadre d'un programme de littératie médiatique critique de 18 heures destiné à des élèves turcs de CM1, aligné sur les programmes de langue turque et d'études sociales. Le groupe soutenu par l'IA a montré d'importants 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 entre groupes du d de Cohen de 1.12 (lecture), 1.18 (écriture) et 1.31 (littératie totale), tandis que le groupe témoin ne progressait que modestement. L'analyse qualitative a fait apparaître six domaines de croissance de la littératie médiatique critique — l'auto-protection numérique et la protection 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 — illustrant la manière dont l'IA générative peut être conçue dans un curriculum comme un agent pédagogique étayé qui cultive l'évaluation critique plutôt qu'il ne la court-circuite.

L'IA générative dans des domaines spécialisés : le soutien à la dyslexie

Une revue systématique interdisciplinaire de 2026 (Dabaghi, D'Urso & Sciarrone, guidée par PRISMA, 2018–2024, n=72) constate que l'IA générative est sous-utilisée dans le domaine du soutien à la dyslexie. La recherche sur l'IAG (toute issue de 2024) se regroupe en agents conversationnels intelligents, soutien à la formation des enseignants et études exploratoires, et rattrape rapidement le ML classique comme outil de choix — et pourtant l'expérimentation rigoureuse et la validation en conditions réelles demeurent largement absentes. L'analyse des tendances futures de la revue pointe vers des supports personnalisés alimentés par l'IAG et une rétroaction adaptative en temps réel, des modèles diagnostiques multimodaux intégrant l'oculométrie, l'EEG et l'analytique comportementale, des systèmes de tutorat intelligent et des agents conversationnels fondés sur le traitement du langage naturel, et des outils de soutien destinés aux éducateurs. Cela illustre à la fois la promesse de l'IA générative pour la génération de contenus et le soutien interactif dans un domaine spécialisé à besoins élevés, et le risque que son adoption devance la base de preuves.

Concepts liés

Grands modèles de langue (LLM) — la classe de modèles sous-tendant l'IA générative
L'ingénierie des invites — la manière dont les productions sont façonnées
RAG (génération augmentée par récupération) — l'ancrage par récupération
Littératie en IA — la compétence nécessaire pour l'utiliser efficacement
L'IA en éducation — le domaine plus large
Tutorat intelligent — les systèmes de tutorat conversationnels et génératifs
Délestage cognitif — le risque de sur-dépendance que l'IA générative amplifie
Risque d'hallucination — un risque de fiabilité central des contenus générés
Intégrité académique — les préoccupations d'intégrité liées à la génération fluide
Évaluation automatisée — les modèles génératifs dans la notation et la rétroaction
Technologies de l'IA — l'ensemble des techniques et modèles d'IA
Enseignement supérieur — un contexte de déploiement principal
Primaire et secondaire (K-12) — un contexte de déploiement principal

Métadonnées

Technologies et techniques	Tutorat intelligent, Grands modèles de langue (LLM), L'ingénierie des invites, RAG (génération augmentée par récupération)
Équité, éthique et usage responsable	Risque d'hallucination
Fondements de l'IA dans l'éducation	Littératie en IA, Délestage cognitif

Source History Edit Chat