Primaire et secondaire (K-12)

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.

K-12 — l'usage de l'intelligence artificielle dans l'enseignement primaire et secondaire, couvrant les programmes de littératie en IA, le tutorat par IA, le soutien aux enseignants et les considérations de sécurité propres aux apprenants les plus jeunes. Une revue systématique de 2026 conduite selon PRISMA, portant sur 197 études (2016–2024), organise le domaine autour de quatre domaines d'opportunité — la personnalisation, la motivation, l'Évaluation et les pratiques d'enseignement innovantes — tout en signalant des lacunes persistantes en matière de formation des enseignants, de lignes directrices éthiques ministérielles et d'équilibre entre disciplines.

Questions à examiner

L'usage de l'IA dans le primaire et le secondaire exige des protections de sécurité plus fortes que dans l'enseignement supérieur, parce que les apprenants les plus jeunes sont les moins bien outillés pour détecter une IA dangereuse ou manipulatrice. Qu'est-ce que cela change à ce que doit signifier « sûr » pour des outils utilisés par des enfants ?
Les revues systématiques constatent que la base de données probantes du primaire et du secondaire se concentre massivement sur les STIM, laissant les arts et les sciences humaines largement inexplorés. Qu'une base de données probantes équilibrée entre disciplines pourrait-elle révéler qui échappe aux études centrées sur les STIM ?
Les recherches constatent que les enseignants surestiment systématiquement leur compétence en IA — un écart d'environ 40% entre l'auto-déclaration et la performance — et pourtant qu'une brève formation donne une intégration sensiblement plus élevée. Quel sens cet écart pourrait-il avoir pour la manière dont les écoles préparent les enseignants ?
La plupart des outils d'IA centrent les perspectives dominantes, et pourtant 78% des enseignants d'une étude ont trouvé l'IA utile pour une pédagogie culturellement pertinente. Comment un outil qui par défaut privilégie les points de vue dominants peut-il être orienté de manière à élargir la représentation plutôt qu'à la restreindre ?
Les données suggèrent que sous-traiter du travail à l'IA peut nuire à l'apprentissage, en particulier chez les élèves plus âgés — et pourtant que les élèves plus jeunes pourraient être moins affectés. Pourquoi la pénalité d'apprentissage liée à l'usage de l'IA pourrait-elle différer selon l'âge, et qu'est-ce que cela implique pour la conception ?
La revue du primaire et du secondaire identifie huit lacunes de recherche sous-explorées, allant de l'absence d'exemples concrets d'unités d'enseignement à la sous-utilisation de l'robotique, des objets connectés et de la communication mobile. Laquelle de ces lacunes limite le plus ce que les écoles peuvent réellement faire aujourd'hui ?
Les politiques d'IA institutionnelles manquent souvent de consignes de mise en œuvre. Que faudrait-il pour transformer un document de politique d'IA dans le primaire et le secondaire en pratiques de classe concrètes et en formation des enseignants — et pourquoi cette traduction échoue-t-elle si souvent ?

Introduction

Le paysage des données probantes

Une revue systématique de 2026 conduite selon PRISMA (Marzano, 197 études, 2016–2024) constitue désormais l'assise de la base de données probantes du primaire et du secondaire, complétant de plus amples synthèses antérieures telles que la revue rapide sur l'IA générative et les apprenants de la maternelle à la 12e année et la base de données probantes agrégée sur l'IA dans le primaire et le secondaire. Sa structure en quatre questions organise le domaine en quatre domaines d'opportunité — personnaliser l'apprentissage, motiver les élèves, améliorer l'évaluation et permettre un enseignement innovant et immersif — avec ChatGPT comme cas emblématique étudié dans une large part des articles retenus.

La conclusion centrale de la revue est une asymétrie marquée : la promesse de l'IA générative à l'école est vaste et bien documentée, mais les données probantes sur la pratique quotidienne en classe sont minces, concentrées dans les STIM et biaisées par la rareté des exemples concrets d'unités d'enseignement et des formations pratiques des enseignants. Cet écart entre aspiration et mise en œuvre est la caractéristique déterminante de la recherche sur l'IA générative dans le primaire et le secondaire.

Une synthèse du côté des enseignants ajoute la couche que les revues centrées sur les outils laissent de côté. Une revue PRISMA de 29 études portant sur l'intervention enseignante dans l'enseignement primaire et secondaire fondé sur l'IA constate que les sorties de l'IA — alertes, tableaux de bord, scores automatisés, rétroactions de chatbot — ne deviennent de l'enseignement qu'à travers un cycle de surveillance, de jugement, d'intervention et d'orchestration, et que les bénéfices rapportés pour la performance, la participation et la confiance des élèves sont conditionnés par l'interprétabilité de l'information, le moment de l'intervention, le niveau visé, la faisabilité de la mise en œuvre par les enseignants et l'autonomie des élèves. Son corpus se concentre aux mêmes endroits que la base de données probantes plus large du primaire et du secondaire : les mathématiques et les matières scientifiques et STIM, les niveaux du collège et du lycée, et les contextes des États-Unis.

Considérations propres au primaire et au secondaire

Sécurité et garde-fous : l'usage de l'IA dans le primaire et le secondaire exige des protections plus fortes en matière de Sécurité pédagogique. EduZone, EduGuard et les recherches sur les préjudices causés par les tuteurs traitent spécifiquement de l'interaction avec une IA sûre pour les enfants.
Programmes de littératie en IA : les modules de littératie en IA pour le primaire et le secondaire développent une compréhension de l'IA adaptée à l'âge, tandis que le cadre de programmation intuitive permet aux enseignants de créer leurs propres outils d'IA. Une étude quasi expérimentale d'un programme de littératie médiatique critique de 18 heures fondé sur le modèle 5E, menée auprès d'élèves turcs de CM1 (Demir & Akar 2026), a intégré l'IA générative (ChatGPT, Grammarly, Canva AI, Padlet) phase par phase comme agent pédagogique aligné sur les programmes turcs de langue et d'études sociales, produisant d'importants gains en lecture de médias (+3.50), en écriture (+1.67) et en littératie médiatique totale (+5.17, dans tous les cas p < .01), avec des tailles d'effet entre groupes de d de Cohen allant de 1.12 à 1.31, et une croissance qualitative dans six domaines de la littératie médiatique critique (autoprotection numérique et confidentialité des données, usage des médias intentionnel et responsable, communication sûre et conscience des limites, évaluation critique et conscience de la désinformation, conscience des risques en ligne, et éthique des médias et citoyenneté numérique) — ce qui montre que des programmes de littératie en IA adaptés à l'âge et ancrés dans les disciplines peuvent produire des gains mesurables en littératie médiatique critique dans les classes du primaire.
Tutorat au niveau de la classe : les compagnons personnalisés pour le primaire et le secondaire et les recherches sur le piège de la réponse correcte examinent l'efficacité du tutorat auprès des élèves plus jeunes.
La contrainte du tutorat par IA est l'engagement, non la capacité. Dans 18 collèges du Tennessee, l'affectation à Khanmigo a fait progresser les résultats en mathématiques d'environ 0.06 à 0.08 écart-type par année scolaire — des gains comparables à ceux de la pratique sur Khan Academy sans IA — parce que l'élève médian n'a adressé un message au tuteur que dans 17% des séances d'erreur (Oreopoulos and Low, 2026).
Adéquation au développement : les recherches sur la sécurité des enfants et les considérations relatives à l'Éducation spécialisée répondent aux besoins de populations diverses du primaire et du secondaire.
IA conversationnelle adaptée à l'âge : Vahedian Movahed & Martin (2025) ont déployé AMA, un chatbot cantonné à un sujet avec une adaptation des invites selon l'âge, auprès de 63 élèves (de la 1re à la 3e année et des 6e aux 8e années). Les enfants ont montré une large ouverture et une grande confiance envers le chatbot comme source d'information, et ont activement mis à l'épreuve sa crédibilité par des questions dont ils connaissaient la réponse, tandis que des lacunes dans la conscience des risques numériques (certains étaient prêts à confier des secrets) appellent un L'étayage sensible à l'âge et un enseignement explicite de la La vie privée.

Effets sur les savoirs des enseignants

Effets sur les savoirs des enseignants. Une étude multiniveaux (46 enseignants, 2,832 élèves du secondaire) a montré que c'est la connaissance pédagogique de l'IA — et non la connaissance technique de l'IA — qui déterminait les perceptions qu'ont les élèves de l'IA pour le bien commun et leur intention d'apprendre l'IA, ce qui confirme une approche « la pédagogie d'abord, la technologie ensuite » de la formation des enseignants du primaire et du secondaire à l'IA.
La formation continue comme contrainte déterminante. La revue de Marzano identifie la formation continue et ciblée des enseignants sur les TIC comme le défi d'intégration le plus persistant, et elle doit couvrir les dimensions technique, pédagogique et éthique tout en s'adaptant à des outils qui évoluent rapidement. La formation initiale et continue devrait être permanente, collaborative, fondée sur le jeu, axée sur l'transparence et ancrée dans le développement professionnel pour des outils avancés comme ChatGPT. Cela vaut aussi pour l'IA d'appui à la collaboration en classe : l'étude de faisabilité du Community Builder (CoBi) dans des classes de collège a montré qu'un usage intègre par les enseignants dépendait d'un apprentissage professionnel substantiel, des enseignants peu préparés glissant soit vers un traitement de l'outil comme moniteur de performance, soit vers une discussion générale sur l'IA plutôt que vers le centrage collaboratif prévu.
L'écart de compétences. Les recherches montrent que les enseignants surestiment systématiquement leur compétence en IA — un écart d'environ 40% entre auto-déclaration et performance — et pourtant que de brèves interventions de formation (par exemple des ateliers de sollicitation de 4 heures) peuvent produire une intégration de l'IA en classe sensiblement plus élevée. Cela rend la préparation des enseignants et la Développement professionnel centrales pour une intégration réussie de l'IA dans le primaire et le secondaire.

Quatre domaines d'opportunité

La revue systématique consolide ce que l'IA générative peut faire à l'école en quatre domaines récurrents :

Apprentissage personnalisé. L'IA générative adapte les expériences d'apprentissage aux besoins, au rythme et au degré de préparation de chacun — le bénéfice emblématique documenté pour les systèmes compagnons et les plateformes adaptatives.
Lisibilité et alignement sur les programmes. Bird (2026) fusionne la classification de textes par transformateur avec des traits de linguistique computationnelle pour classer la littérature anglaise par cycle du système britannique (F1 0.996), le tout conditionné en une application web sans code afin que les enseignants puissent aligner les supports de lecture sur les niveaux des apprenants — un complément concret et pertinent par la discipline (anglais et littérature) à la base de données probantes du primaire et du secondaire, largement centrée sur les STIM.
Motivation et engagement. Des outils comme ChatGPT rendent l'apprentissage plus engageant pour les élèves plus jeunes, en soutenant l'engagement et la La motivation — bien que la revue avertisse aussi que cela peut basculer dans une dépendance excessive et une dépendance technologique.

Une méta-analyse de 42 études apporte une nuance : l'effet motivationnel était le plus faible en milieu scolaire (secondaire g = 0.360, primaire g = 0.311) contre g = 0.886 à l'université, bien que ces sous-groupes ne reposent que sur 9 et 4 études (Fang et al. (2026)).

Évaluation. L'IA générative améliore les méthodes d'Évaluation, de la rétroaction formatif La rétroaction à la correction automatisée, bien que les biais de la rétroaction automatisée demeurent une préoccupation vive. Razavi et Powers (2026) étendent la question au calibrage des items de la maternelle à la 5e année : sur 5,170 items de mathématiques et de lecture, les évaluations de difficulté sans exemple de GPT-4o corrélaient modérément à fortement avec les difficultés calibrées selon Rasch (r = 0.83 en mathématiques, r = 0.81 en lecture) mais de manière inégale selon les niveaux, et n'étaient pas meilleures qu'un régresseur factice fondé sur la moyenne par niveau pour les classes de maternelle et de 1re année — une limitation par restriction de l'étendue qui compte pour l'évaluation des premières années. Une approche fondée sur les traits (traits extraits par Grands modèles de langue (LLM) introduits dans des modèles arborescents) atteignait des corrélations allant jusqu'à r = 0.87, avec des gains plus prononcés pour les items des premières années. Une question connexe est celle de savoir quel modèle une école fait tourner tout court : sur des ensembles alignés sur les standards NGSS pour le collège (1,078 items) et le lycée (1,150 items), neuf modèles ouverts issus de six laboratoires ont pour la plupart dépassé 90%, et la taille du modèle ne prédisait pas l'exactitude — OSS-20b et Nemotron 3 Nano 30b a3 égalant des modèles plusieurs fois plus grands — tandis que la difficulté des items était élevée et leur pouvoir discriminateur faible, ce qui amenait les auteurs à se demander si le Référentiel n'était pas trop facile (Schroeder et al. 2026).
Pratiques d'enseignement innovantes. Les approches immersives, fondées sur le jeu et collaboratives rendent l'apprentissage plus engageant, les modèles constructionnistes et fondés sur les projets se montrant particulièrement prometteurs. Un exemple concret à l'échelle d'une classe entière est le Community Builder (CoBi), un système d'appui à la collaboration assistée par l'IA, déployé dans six classes de collège, qui utilisait la reconnaissance vocale pour visualiser les échanges « porteurs » au sein des petits groupes — ce qui montre que l'IA vocale en temps réel peut fonctionner de manière faisable dans des environnements bruyants du primaire et du secondaire pour soutenir la dimension relationnelle de l'apprentissage.

Impératif de pertinence culturelle

La conception de programmes assistée par LLM se montre prometteuse pour diversifier les supports — dans une étude, 78% des enseignants ont trouvé les suggestions de l'IA utiles pour une pédagogie culturellement pertinente. Cependant, la plupart des outils d'IA centrent les perspectives dominantes, ce qui exige une conception centrée sur l'équité délibérée pour éviter d'élargir les écarts d'opportunités.

De la politique à la pratique

Les politiques institutionnelles sur l'IA générative manquent largement de consignes de mise en œuvre. La revue systématique souligne que les lignes directrices ministérielles portant sur l'L'éthique et la La vie privée restent peu développées, ce qui fait écho au problème de traduction de la politique à la pratique : les modèles qui réussissent transforment les documents de politique en modules de formation des enseignants actionnables, en reliant le « quoi » (la politique) et le « comment » (l'enseignement de la sollicitation).

Échelle et équité

Le déploiement de l'IA dans le primaire et le secondaire opère à l'échelle de la société — des millions d'élèves, une éducation obligatoire et d'importantes implications en matière d'équité. Les recherches sur l'équité examinent si l'IA élargit ou réduit les écarts d'opportunités, y compris l'accès et le soutien inclusif aux élèves en situation de handicap — l'un des huit domaines sous-étudiés de la revue.

Huit lacunes de recherche

Une contribution novatrice de la revue de Marzano est son énumération explicite de huit lacunes de recherche sous-explorées qui dessinent un agenda de recherche sur l'IA générative dans le primaire et le secondaire : (1) l'absence d'exemples concrets d'usage de l'IA dans l'enseignement pour construire des unités d'enseignement ; (2) le besoin d'une formation pratique et quotidienne des enseignants fondée sur une application constante de l'IA ; (3) les compétences en apprentissage automatique et un équilibre entre disciplines, avec une surreprésentation des STIM ; (4) l'absence d'études et d'expérimentations en Europe ; (5) le besoin de définir le rôle de l'enseignant et de créer des cadres pédagogiques spécifiques tels que le Le savoir technologique, pédagogique et disciplinaire (TPACK) ou AI4K12 ; (6) l'inclusivité et le soutien aux élèves en situation de handicap ; (7) un rattachement aux théories pédagogiques et aux méthodologies innovantes ; et (8) les applications de Technologies de l'IA émergentes telles que les objets connectés, le pilotage de robots et la communication mobile.

Connexions

Le primaire et le secondaire se rattachent à la Sécurité pédagogique (protection de l'enfance), à la Littératie en IA (compétence de l'élève), au L'enseignement (transformation de l'enseignant du primaire et du secondaire), à l'L'équité (écarts d'accès) et à l'Éducation spécialisée (besoins d'apprenants divers). Sa base de données probantes issue de revues systématiques renvoie à la Méta-analyse et revue systématique comme méthode, et son constat de déséquilibre entre disciplines se relie aux L'enseignement des STIM, aux Lettres et sciences humaines et à l'Éducation de la petite enfance.

Implications pour les enseignants du primaire et du secondaire

Prioriser les garde-fous sûrs pour les enfants. L'usage de l'IA dans le primaire et le secondaire exige des protections plus fortes en matière de sécurité — utilisez des outils spécifiquement conçus et évalués pour les enfants (EduZone, EduGuard) et restez attentif aux préjudices causés par des tuteurs sans garde-fous (recherches sur les préjudices causés par les tuteurs).
Construire la littératie en IA de manière adaptée à l'âge. Utilisez des programmes et des cadres conçus pour des apprenants plus jeunes (modules de littératie en IA pour le primaire et le secondaire), et ne présumez pas que les élèves arrivent avec des connaissances en usage responsable.
Combler l'écart de compétences des enseignants. Les enseignants surestiment systématiquement leur compétence en IA (écart d'environ 40% entre auto-déclaration et performance), et pourtant une brève formation (par exemple des ateliers de sollicitation de 4 heures) donne une intégration de l'IA en classe sensiblement plus élevée — investissez dans votre propre préparation (La compétence des enseignants en IA, Développement professionnel).
Maintenir une formation continue et ancrée dans la pratique. La recommandation centrale de la revue systématique est que la formation des enseignants ne peut pas être ponctuelle — elle doit être continue, collaborative et fondée sur une application quotidienne constante de l'IA, et non sur une théorie abstraite.
Diversifier les supports délibérément. L'IA est forte pour produire des supports culturellement pertinents (78% des enseignants trouvent les suggestions utiles), mais les outils privilégient par défaut les perspectives dominantes — utilisez activement l'IA pour élargir, et non pour restreindre, la représentation, et protégez-vous contre les écarts d'opportunités.
Surveiller le risque de pénalité d'apprentissage. Les données montrent que sous-traiter du travail à l'IA peut nuire à l'apprentissage, en particulier chez les élèves plus âgés (reddition cognitive, pénalité liée à la sous-traitance des devoirs) — concevez des devoirs qui maintiennent le travail cognitif dans la boucle et évaluez une compréhension durable, et non le seul achèvement.
Distinguer un ralentissement productif d'une série de réussites. Une expérience aléatoire sur le terrain menée auprès de plus de 6,000 collégiens a montré que le soutien par l'IA ralentissait la progression mais augmentait la justesse à la tentative suivante après une erreur, tandis qu'une règle de trois réussites consécutives faisait croître la maîtrise sur la plateforme d'environ 28.7 points de pourcentage sans améliorer un test différé d'une semaine (Oreopoulos et al. (2026)).
Concevoir les outils des enseignants pour le jugement, non pour le volume. Un plus grand volume d'informations n'est pas mieux : les alertes en temps réel ont élargi la conscience qu'ont les enseignants, mais dans certaines études elles ont surchargé leur attention ou détourné leur regard de leur propre observation, et un seul enseignant ne peut agir sur plus de cibles d'intervention qu'il ne peut physiquement en atteindre (Lee 2026). Les outils qui hiérarchisent et expliquent ce qui mérite d'être actionné, et qui laissent les enseignants accepter, réviser, différer ou rejeter des recommandations, correspondent mieux au travail que les tableaux de bord qui font remonter tout — et les conditions structurelles (temps d'examen, effectifs des classes, personnel de soutien) font partie de l'intervention, et n'en sont pas la logistique de fond.
Aller au-delà des STIM. La base de données probantes penche fortement vers les STIM ; les enseignants et les chercheurs des arts et des sciences humaines ont une occasion disproportionnée de produire les données probantes équilibrées entre disciplines qui manquent au domaine.
Traduire la politique en pratique. Les politiques institutionnelles sur l'IA générative manquent souvent de consignes de mise en œuvre ; transformez la politique en pratiques de classe concrètes et actionnables et en formation (de la politique à la pratique).

Adoption de l'IA et scepticisme dans le primaire et le secondaire

À mesure que l'IA entre dans les écoles, on exhorte de plus en plus le personnel qu'elle concerne à consulter l'IA conversationnelle à propos de son adoption. Un audit algorithmique de dix LLM de pointe a sondé une persona de sceptique de l'IA dans une école rurale du primaire et du secondaire, et a constaté que huit des dix modèles reconnaissaient les préoccupations avant de les réorienter vers des cadrages d'engagement envers l'IA — un résultat dépendant de la conception du modèle plutôt qu'une propriété inévitable des LLM. La Confiance, le scepticisme et la supervision humaine sont donc centraux dans la manière dont le personnel des écoles rurales et d'autres écoles du primaire et du secondaire rencontre l'IA.

Concepts liés

Patrons pédagogiques — Le niveau des études sur l'échec productif, le changement conceptuel et l'évaluation orale
Éducation de la petite enfance — Éducation à l'IA dans la petite enfance et à l'école élémentaire
Sécurité pédagogique — Garde-fous sûrs pour les enfants dans les interactions avec l'IA des jeunes apprenants
Littératie en IA — Compréhension et usage responsable de l'IA adaptés à l'âge de l'élève
L'enseignement — Transformation de l'enseignant et intégration de l'IA dans les classes du primaire et du secondaire
L'équité — L'IA élargit-elle ou réduit-elle les écarts d'opportunités dans le primaire et le secondaire ?
Éducation spécialisée — Besoins d'apprenants divers dans l'usage de l'IA au primaire et au secondaire
L'étayage — Structures de soutien pour l'apprentissage du primaire et du secondaire assisté par l'IA
Apprentissage personnalisé — Enseignement adapté permis par l'IA à l'échelle de l'école
L'enseignement des STIM — Littératie en IA et outils pour les sciences, la technologie, l'ingénierie et les mathématiques du primaire et du secondaire
L'IA générative — La technologie au cœur des outils et des programmes d'IA du primaire et du secondaire
Développement professionnel — Former et perfectionner les enseignants à l'IA en classe
L'apprentissage socioculturel — Dimensions sociales et culturelles de l'apprentissage avec l'IA au primaire et au secondaire
La métacognition — Penser sa propre pensée ; clé d'un apprentissage durable à l'ère de l'IA
Le développement éducatif — Développement professionnel continu des enseignants
Conception pédagogique — Concevoir des leçons et des supports avec l'appui de l'IA
L'apprentissage actif — Maintenir le travail cognitif dans la boucle lors de l'usage de l'IA
Pensée informatique — Compétence fondamentale du primaire et du secondaire et cible des programmes d'IA
Tutorat intelligent — Systèmes de tutorat par IA pour les élèves plus jeunes
Méta-analyse et revue systématique — La méthode de revue systématique qui sous-tend la base de données probantes du primaire et du secondaire
Lettres et sciences humaines — Contrepartie d'équilibre disciplinaire aux données probantes du primaire et du secondaire centrées sur les STIM
Parents et familles
Capitulation cognitive

FAQ liées

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

Métadonnées

Niveau	Special Education, Higher Ed
Public visé	Learners, Instructors, Administrators
Apprentissage et enseignement	L'étayage
Technologies et techniques	L'IA générative, Apprentissage personnalisé
Méthodes de recherche et évaluation	Méta-analyse et revue systématique
Équité, éthique et usage responsable	L'équité, Sécurité pédagogique
Fondements de l'IA dans l'éducation	Littératie en IA, L'enseignement

Source History Edit Chat