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

Littératie informationnelle et médiatique

Création 2026-11-05 · Mise à jour 2026-11-05

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

Littératie informationnelle et médiatique sont des capacités adjacentes que l'IA réécrit au même joint. La littératie informationnelle est centrée sur la recherche et la vérification de données exactes ; la littératie médiatique est centrée sur la compréhension de qui a créé un message, comment il a été construit et pourquoi. Elles se recoupent dans leur objectif commun de construire la pensée critique qui permet aux gens de naviguer dans un monde numérique et de repérer la désinformation — et elles partagent désormais un second problème : l'IA générative produit un contenu fluide et plausible dont l'origine et l'intention sont cachées, si bien que la question de la provenance que la littératie médiatique a toujours posée s'est aussi déplacée dans la littératie informationnelle.

Questions à examiner

  • Lorsqu'un chatbot renvoie un paragraphe assuré avec trois citations, l'étudiant exerce-t-il une littératie informationnelle, une littératie médiatique, ou ni l'une ni l'autre — et le devoir rend-il cette distinction visible ?
  • Les deepfakes et les citations fabriquées sont des défaillances différentes : l'une est un faux enregistrement du monde, l'autre un faux enregistrement de la littérature. Un seul cours peut-il enseigner les deux sans mal enseigner chacune ?
  • Les détecteurs d'IA et les vérificateurs de faits sont eux-mêmes des modèles avec des taux d'erreur. Qu'advient-il d'un programme de vérification lorsque l'outil de vérification est probabiliste ?
  • La littératie médiatique a été enseignée par la production — les étudiants créent des médias pour les comprendre. Si un modèle fabrique désormais l'artefact, quelle partie de la pédagogie survit ?

Introduction

Les deux littératies ont des foyers institutionnels séparés. La littératie informationnelle a été codifiée dans la bibliothéconomie et les sciences de l'information, plus visiblement dans le référentiel ACRL, comme un ensemble de dispositions autour de l'autorité, du processus et de la valeur. La littératie médiatique est issue des études de communication et des médias et de l'éducation aux médias à l'école, et interroge l'auctorialité, la technique, le public et l'effet. L'une juge si une source mérite d'être crue ; l'autre demande qui a fait un message et ce qu'il fait.

Cette division a toujours été plus nette en théorie que dans une salle de classe. Les deux littératies apprennent aux étudiants à ralentir, à vérifier la provenance et à résister à la fluidité. Les deux ont été construites sur l'hypothèse que l'artefact avait un auteur qui avait payé un coût pour le produire. L'IA générative retire cette hypothèse aux deux à la fois : le texte est synthétisé à partir d'un corpus intraçable, les images et les voix sont clonées, et les comptes automatisés simulent le public lui-même.

Cette page couvre la paire parce que le corpus les traite comme un seul problème d'enseignement avec deux ensembles de résultats. Les preuves sont inégales — une carte bibliométrique et deux revues systématiques du côté de l'information, une petite intervention et une étude d'entretiens d'experts du côté des médias — et presque rien ne teste un programme combiné. Cette absence est elle-même le constat qu'il vaut la peine d'emporter dans la pratique.

Là où les deux construits divergent

L'objet de la littératie informationnelle est la source, et sa question centrale est de savoir si l'affirmation est vraie et si les preuves qui la soutiennent sont crédibles. L'objet de la littératie médiatique est le message, et sa question centrale est de savoir qui l'a fait, comment, pour qui et dans quel but. Une citation fabriquée échoue au premier test ; un deepfake peut passer toutes les vérifications factuelles qu'un étudiant sait faire tout en échouant au second.

Les littératures empiriques reflètent la scission. Une enquête auprès de 236 étudiants universitaires américains a demandé où commençaient les recherches académiques et a trouvé les moteurs de recherche à 45.5 %, la page d'accueil de la bibliothèque à 27.9 % et un chatbot d'IA à 26.6 %, les étudiants internationaux substituant l'IA aux ressources de la bibliothèque à un taux environ deux fois supérieur à celui des étudiants nationaux (Lund et al., 2026). Une revue systématique de 32 études a trouvé l'intégration de la littératie en IA dans l'enseignement de la littératie informationnelle à un « stade embryonnaire », délivrée par les LibGuides et les ateliers plutôt que par le curriculum (Mirza et Arif, 2026). Du côté des médias, des entretiens avec sept experts et une enquête auprès de 141 étudiants ont trouvé l'inclusion de la technologie dans le programme de littératie médiatique critique « limitée et souvent superficielle », les enseignants étant sous-formés pour les outils qui produisent la désinformation et les deepfakes (l'étude sur la littératie médiatique critique, 2026).

Comment l'IA complique la littératie informationnelle

La première complication est la fabrication à l'échelle. Un modèle produit un texte convaincant, des références plausibles et des statistiques assurées qui peuvent ne pas exister ; le lecteur reçoit une synthèse dont la trace de recherche a été effacée. Vérifier devient une compétence différente : non pas « est-ce une bonne source » mais « cette source existe-t-elle, et dit-elle ce que la réponse prétend ».

La seconde est que la couche de recherche s'est effondrée en une couche de réponse. Lorsque l'outil récupère, sélectionne et écrit, l'acte lettré se déplace vers le jugement de la synthèse. C'est le résidu que les preuves ne cessent de pointer : une plateforme à bibliothécaire intégré a battu l'enseignement bibliothéconomique conventionnel de 0.78 à 0.25 points sur un instrument basé sur l'ACRL, et les consultations qui ont produit le gain étaient dominées par des questions d'évaluation des sources (Huang, 2026).

La troisième est la capacité. Dans une enquête auprès de 412 bibliothécaires universitaires de 38 institutions nigérianes, la compétence auto-évaluée était élevée pour l'enseignement des bases de données (M = 4.07) et la prestation de littératie informationnelle (M = 4.02), mais la compétence composite en IA était de 2.86, la plus faible sur la conception d'objectifs (M = 2.70) et l'évaluation des résultats (M = 2.62) (Dada, 2026). Un champ cartographié à 1,669 publications est invité à enseigner une compétence que ses instructeurs rapportent ne pas encore savoir concevoir (Jabeen et Lux, 2026).

Comment l'IA complique la littératie médiatique

Les questions fondatrices de la littératie médiatique supposaient un créateur avec une intention. Les deepfakes, le clonage vocal et les bots automatisés brisent cette hypothèse de trois manières : l'artefact peut n'avoir aucun auteur humain, le public peut être synthétique, et l'intention peut être une optimisation de l'engagement plutôt qu'une persuasion par quelqu'un.

Les preuves du curriculum suggèrent que les écoles n'ont pas rattrapé leur retard. Les entretiens d'experts décrivent la formation des enseignants comme la contrainte déterminante plutôt que la résistance des étudiants, et plaident pour un cadrage de pédagogie critique qui traite l'évaluation comme une pratique éthique et participative au lieu d'une formation aux outils. Un rapport commandé pour les médias de service public a constaté que l'offre pour les 14-19 ans penchait vers des compétences fonctionnelles en IA et s'éloignait de l'évaluation critique, malgré l'examen de plus de 40 cadres et des entretiens avec 35 experts (le rapport sur les littératies en IA, 2025).

L'IA comme outil défensif — affirmations et réserves

Le cas de l'utilisation de l'IA du côté défensif est plausible et largement avancé : des vérifications automatisées de crédibilité qui scrutent l'historique et le langage d'une source pour y chercher des signaux de partialité, des détecteurs de deepfake, des analyseurs de métadonnées qui cherchent des marqueurs de provenance, et des simulations qui laissent les étudiants s'entraîner à évaluer sur du matériel synthétique réaliste. Ces capacités sont de vrais produits, et l'usage en classe est une vraie pratique.

Les preuves sont plus minces que les affirmations. Les détecteurs sont probabilistes et se dégradent à mesure que les générateurs s'améliorent ; un modèle de vérification des faits est lui-même un modèle, si bien que l'étudiant doit encore juger le vérificateur ; et les métadonnées de provenance n'aident que lorsqu'un producteur choisit de les attacher. L'un des résultats les plus solides du corpus est que l'enseignement de la littératie médiatique soutenu par l'IA peut fonctionner à petite échelle : un programme de 18 heures construit sur le modèle 5E a produit des gains importants chez 36 élèves de quatrième année dans une école turque (Demir et Akar, 2026). Trente-six élèves, c'est une preuve de concept, pas un dossier d'achat.

Un article d'opinion du secteur des bibliothèques pousse la même idée plus loin : l'IA pourrait porter la prestation de la littératie informationnelle par la récupération, les tutoriels adaptatifs, les chatbots et la vérification automatisée des faits, avec des bibliothécaires plutôt que des fournisseurs propriétaires de l'intégration (Offem et Arikpo, 2026). L'article ne rapporte aucune donnée, c'est donc un cahier des charges pour l'endroit où l'enseignement pourrait vivre plutôt qu'une preuve qu'il fonctionne.

Lues ensemble, les deux faces du bilan suggèrent une règle : l'IA peut porter la charge de pratique — les scénarios réalistes, le retour d'information immédiat, l'échelle — mais la charge de jugement reste à l'apprenant, et tout outil qui prétend la remplacer devrait être évalué comme un détecteur avec un taux d'erreur mesuré, et non adopté comme une clé de réponses.

Ce que cela signifie pour la pratique

  • Enseignez une procédure, deux objets. La routine vérifiable — remonter l'affirmation jusqu'à une source, remonter la source jusqu'à un auteur, demander ce que fait l'artefact — fonctionne pour une citation et pour une vidéo. Nommez quel objet le devoir évalue.
  • Traitez la détection comme une preuve, pas un verdict. La sortie d'un détecteur est une probabilité ; apprenez aux étudiants à corroborer par une seconde méthode et à dire ce qui changerait leur avis.
  • Gardez la production dans le curriculum. Faire des médias était la pédagogie qui rendait la critique concrète ; générer avec l'IA ne peut la soutenir que si les étudiants examinent les choix que l'outil a faits pour eux.
  • Placez un bibliothécaire ou un spécialiste des médias dans le flux de travail. Le résultat d'enseignement le plus fort de cette littérature vient d'une conception où la consultation humaine était intégrée, pas proposée après coup.
  • Évaluez la capacité du personnel avant d'écrire le syllabus. Le déficit mesuré se situe dans la conception des objectifs et l'évaluation des résultats, pas dans l'utilisation des outils.

Limites des preuves

La plupart des études ici sont petites, auto-déclarées ou les deux : 236 étudiants dans une enquête, 36 enfants dans une intervention, 412 bibliothécaires s'auto-évaluant. La visibilité bibliométrique n'est pas la pratique, et les auteurs scientométriques le disent explicitement. Aucune étude du corpus n'évalue un programme combiné de littératie informationnelle et médiatique, et les outils de détection et de vérification des faits que la littérature de pratique recommande sont largement non mesurés dans ces sources. L'affirmation selon laquelle la vérification alimentée par l'IA améliore les résultats doit être traitée comme une hypothèse de conception jusqu'à ce que quelqu'un la teste contre un groupe témoin.

Concepts liés

Articles liés

Métadonnées

NiveauHigher Ed, K 12, Adult Learning
Public viséLibrarians, Instructors, Learners, Curriculum Designers
Apprentissage et enseignementPédagogie critique
Technologies et techniquesL'IA générative, Grands modèles de langue (LLM)
Équité, éthique et usage responsableLe calibrage de la confiance
Fondements de l'IA dans l'éducationLittératie informationnelle et médiatique, Littératie en IA, La pensée critique, Intégrité académique
Type de pageSynthesis
SourceHistoriqueModifierDiscuter

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.