Enseignement et apprentissage en ligne

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.

Enseignement et apprentissage en ligne — la pédagogie et la pratique de l'enseignement et de l'apprentissage qui se déroulent dans des environnements numériques médiatisés par le réseau plutôt que dans une salle de classe physique partagée. Il recouvre les cours entièrement en ligne, les cours en ligne ouverts et massifs (MOOC), les formats hybrides et mixtes, et l'enseignement à distance. Pour la base de connaissances, la question centrale est de savoir comment L'IA générative transforme les opportunités, les défis et les pratiques recommandées de l'enseignement à distance — de la personnalisation évolutive aux nouveaux risques d'Intégrité académique et de Délestage cognitif.

Questions à examiner

Vous avez probablement suivi un cours en ligne ou enseigné en ligne. Qu'avez-vous perdu et qu'avez-vous gagné lorsque la salle de classe physique a été retirée — et comment cela a-t-il remodelé ce sur quoi les enseignants pouvaient compter ?
Cette page soutient que l'enseignement en ligne est une pédagogie distincte, et non un simple mécanisme de diffusion. De quelles manières concrètes le médium en ligne change-t-il les stratégies d'enseignement qui sont seulement possibles ou efficaces ?
Un ECR (essai contrôlé randomisé) a montré qu'une assistance IA non encadrée augmentait la performance en exercice mais faisait baisser les notes à un examen sans assistance, tandis qu'un tuteur « indice plutôt que réponse » supprimait ce préjudice. Avant de poursuivre votre lecture, pouvez-vous expliquer pourquoi donner aux étudiants la réponse pourrait gonfler la performance immédiate tout en érodant l'apprentissage durable ?
L'évaluation en ligne ne peut pas toujours distinguer le travail assisté du travail indépendant. Si les outils de détection constituent une « réponse partielle et contestée », quelles autres conceptions d'évaluation pourraient révéler la compréhension réelle ?
Comment la disponibilité perçue d'un raccourci IA sans effort remodèle-t-elle la motivation des étudiants dans un cours auto-rythmé et sur écran ? Que pourriez-vous concevoir pour y contrer ?
Un agent autonome peut désormais se connecter à un système de gestion de l'apprentissage, lire le matériel, répondre au quiz et publier dans la discussion. Si produire l'artefact ne démontre plus l'apprentissage, que devriez-vous observer à la place ?
L'IA peut désormais générer en quelques minutes un cours équivalent à un MOOC pour une fraction du coût. Quels sont les compromis pédagogiques entre « N agents pour un étudiant » et « une vidéo pour N étudiants » ?

Introduction

L'enseignement et l'apprentissage en ligne constituent un contexte pédagogique distinct, et non un simple mécanisme de diffusion. Ils suppriment la coprésence physique qui soutient l'attention, la La motivation et l'interaction informelle, et y substituent une interaction numérique structurée — forums de discussion, matériels asynchrones, vidéo, agents de tutorat — au contact en face à face. Cela change ce sur quoi les enseignants peuvent compter, ce à quoi les étudiants peuvent accéder, et la manière dont l'apprentissage est conçu et évalué. En tant que concept parapluie dans le paysage de la Pédagogies et stratégies d'enseignement, il se situe aux côtés de l'L'apprentissage actif, de l'apprentissage collaboratif et de l'apprentissage autorégulé, mais s'en distingue par le médium : les contraintes et les affordances de l'environnement en ligne déterminent quelles stratégies sont viables.

L'essor de l'IA générative intervient directement dans ce contexte. Les apprenants en ligne travaillent déjà à travers des écrans et des logiciels, de sorte que les outils d'IA sont des voisins naturels ; en même temps, l'évaluation en ligne est plus difficile à surveiller, ce qui rend les détournements plus faciles et les enjeux plus élevés. Les données probantes réunies dans cette base de connaissances montrent que l'IA peut être une alliée puissante pour l'enseignement et l'apprentissage en ligne — et, mal configurée, une source importante de préjudice pour l'apprentissage.

La revue critique de littérature de Lock, Arteaga & Johnson (2025) (63 citations dans 32 pays) organise ce paysage en quatre thèmes interconnectés qui reviennent tout au long de cette page : les types et finalités de l'intégration de l'IA, les approches pédagogiques (littératie IA, apprentissage autorégulé), les bénéfices et les défis. Leur mise en garde centrale — que ces thèmes se recouvrent et que l'intégration de l'IA en ligne est une entreprise sociotechnique ancrée dans la pédagogie et les relations humaines plutôt que dans la seule adoption technologique — rejoint la manière dont cette page définit l'enseignement en ligne comme une pédagogie distincte. Fait notable, ils rapportent que les étudiants utilisant ChatGPT en complément du tutorat enseignant percevaient des Gains d'apprentissage plus importants que ceux qui l'utilisaient seul, ce qui renforce l'accent mis sur la collaboration hybride humain–IA parcourant cette page.

Ce qui a fait passer cette question du stade de la conception à celui de l'urgence, c'est que l'IA générative ne se contente plus d'écrire un texte qu'un étudiant aurait pu écrire. Des agents autonomes se connectent désormais à un système de gestion de l'apprentissage, lisent les matériels de cours, répondent aux quiz, lisent les publications de leurs camarades et soumettent les travaux. Trois démonstrations menées sur un cours de psychologie de premier cycle réel montrent ce que cela signifie concrètement : deux complétions de quiz, l'une en environ 12 minutes et l'autre en moins de 5 minutes, toutes deux notées 10/10, et une publication de discussion dans laquelle l'agent a exploité les messages de ses pairs puis fabriqué une histoire de vie crédible à la première personne pour y répondre — sur fond de registre public d'au moins 15 exécutions d'agents documentées sur Canvas, Moodle et Brightspace à l'aide de sept outils d'agent. Hadjisolomou et El-Haddad (2026) soutiennent qu'il s'agit d'un problème d'Validité de l'évaluation avant d'être un problème d'intégrité : ce que supprime la complétion par agent, c'est l'hypothèse selon laquelle le travail soumis a été produit par la personne dont l'apprentissage est évalué. La question de conception pour l'enseignement en ligne se déplace donc de la détection des détournements vers la nature des preuves d'apprentissage qu'un cours en ligne peut encore produire, ce qui est le fil conducteur des sections ci-dessous.

Formats et contextes

L'enseignement et l'apprentissage en ligne prennent plusieurs formes apparentées qui partagent le médium mais diffèrent par la portée et la structure :

Apprentissage mixte et hybride. Des modèles qui combinent des composantes en présence et en ligne, intégrant délibérément activités numériques, matériels et interactions à l'enseignement en face à face. Les formats mixtes demandent aux enseignants de décider de ce qu'il est préférable de faire en synchrone plutôt qu'en asynchrone, et en ligne plutôt qu'en présence — des décisions que les principes de Conception pédagogique organisent et que l'IA à la fois soutient et complique. Dans le contexte mixte, les outils d'IA offrent des opportunités de personnalisation et de soutien permanent, tout en soulevant des risques d'intégrité et de délestage qui s'étendent aux portions en ligne comme en présence. Mejia-Domenzain et al. (2026) illustrent cela dans deux contextes mixtes — des classes universitaires inversées et l'écriture réflexive dans l'enseignement professionnel — où un tableau de bord d'analytique de l'apprentissage (DashED) communiquait aux enseignants des profils d'L'apprentissage autorégulé dérivés de l'apprentissage automatique. Les préoccupations d'adoption divergeaient selon le contexte : les enseignants de classe inversée (université) s'inquiétaient surtout de l'anonymisation des données et de la possibilité pour les étudiants de se retirer, tandis que les enseignants d'écriture réflexive (formation professionnelle) craignaient le détournement de l'outil par d'autres éducateurs et soulignaient la nécessité de contextualiser les données. À l'usage, les enseignants de classe inversée suivaient une exploration séquentielle et privilégiaient l'adaptation au niveau du cours et la présentation des tableaux de bord en classe, tandis que les enseignants de formation professionnelle revisitaient les pages de synthèse et utilisaient l'outil principalement pour des séances individuelles d'accompagnement — la preuve que la conception d'outils analytiques pour l'apprentissage mixte doit être sensible au contexte.
Conception synchrone versus asynchrone. La distinction importe davantage que le médium de diffusion, car les deux formats font des demandes opposées à l'apprenant. Les séances synchrones portent l'attention, le rythme et la responsabilité à l'intérieur de la séance elle-même ; les cours asynchrones doivent les concevoir, puisque l'apprenant décide seul quand travailler et ne reçoit aucune responsabilité ambiante de la part d'une salle. La base de recherche brouille souvent cette distinction : la revue que fait la base de connaissances de l'IA et de l'engagement dans l'apprentissage en ligne (24 études) traite l'engagement seul et confond explicitement les contextes synchrones et asynchrones, de sorte que ses conclusions ne doivent pas être lues comme propres à l'asynchrone. Ce qui est propre à l'asynchrone, ce sont les données sur la manière dont les apprenants auto-rythmés perdent concentration et rythme — les comportements autorégulés tels que la fixation d'objectifs, la structuration de l'environnement et la gestion du temps coïncident le plus avec une faible distraction numérique (Shi et al. 2026, 530 étudiants), tandis que les connaissances métacognitives et le Le bien-être déclinent au fil d'un trimestre au rythme des échéances d'évaluation regroupées (Song et al. 2026, 75 étudiants). La contrepartie pratique est la FAQ sur la conception et l'animation de cours asynchrones lorsque l'IA peut faire le travail.
Enseignement à distance. Des programmes conçus pour des apprenants qui étudient à distance, souvent à grande échelle et à travers les régions (par ex., plus de 200 000 apprenants pour l'Open University). L'apprentissage à distance est le lieu où le soutien IA continu et contextualisé et l'impossibilité d'une surveillance en présence sont les plus manifestes. Les données comparatives issues de la formation des enseignants en Afrique du Sud montrent que le médium lui-même est associé au degré de préparation : Mnguni et al. (2026) ont trouvé un TPACK auto-déclaré pour l'enseignement scientifique intégrant l'IA plus élevé chez les étudiants enseignants en dernière année d'une université sur campus (64,0 %) que dans une université d'enseignement à distance (47,4 %), le domaine le plus faiblement déclaré dans les deux contextes étant la connaissance pédagogique. Cette configuration avertit que les programmes à distance ne peuvent pas supposer que la même formation à l'IA produit le même degré de préparation, et que c'est la conception de la formation, et non sa seule présence, qui diffère.

Opportunités et bénéfices de l'IA pour l'enseignement et l'apprentissage en ligne

Personnalisation évolutive. Les MOOC traditionnels excellent par la portée mais peinent à s'adapter — « une vidéo pour N étudiants ». Les systèmes d'agents pilotés par Grands modèles de langue (LLM) (MAIC) inversent la formule en « N agents pour 1 étudiant », en utilisant des agents Teacher, Assistant, Classmate et Analyzer spécialisés pour dispenser un enseignement adaptatif, des retours personnalisés et des parcours d'apprentissage dynamiques à l'échelle d'un MOOC. Des systèmes comme LearnMate² traitent le « fossé de personnalisation » dans l'apprentissage en ligne ouvert par des plans d'étude personnalisés, une assistance contextuelle en temps réel et des activités adaptatives. La vidéo personnalisée est une voie concrète vers cet objectif : Tomlinson et al. (2026) ont constaté que les étudiants d'un grand cours en ligne préféraient les vidéos personnalisées générées par l'IA aux vidéos enregistrées par un humain non personnalisées — une préférence dont l'effet de personnalisation l'emportait sur la valeur accordée à un présentateur humain — ce qui suggère que des médias personnalisés évolutifs produits par L'IA générative peuvent combler le fossé du « une vidéo pour N étudiants » dans l'enseignement en ligne.
Soutien continu et contextualisé. Dans les contextes d'apprentissage à distance et d'apprentissage des adultes où les apprenants étudient au travail ou à la maison, un soutien 24/7 intégré au cours constitue un bénéfice majeur. L'assistant AIDA de l'Open University a montré qu'un soutien GenAI conçu sur mesure et intégré à l'environnement augmentait l'engagement (le temps d'utilisation doublé dans un essai exploratoire), 96 % des étudiants le souhaitant dans leurs études formelles.
Tutorat conversationnel et dialogique à l'échelle. Les tuteurs de L'IA conversationnelle bâtis sur une technologie d'Tutorat intelligent éprouvée (le cadre keep/change/center/study) promettent un tutorat dialogique de haute qualité — engageant les réflexions, les questions et les Idées fausses sur l'IA des étudiants — bien plus évolutif que le tutorat humain.
Animation et analytique. L'IA peut soutenir les discussions en ligne et l'Analytique de l'apprentissage, anticiper l'engagement et aider les enseignants à répartir leur attention. Hao & Cukurova (2026) ajoutent que les résumés de discussion générés par LLM peuvent servir de supports de navigation dans les grands forums asynchrones — élargissant l'exposition des étudiants à leurs pairs et les conditions de réseau pour le capital social de liaison, sans imposer aux étudiants ni aux enseignants la charge du travail de synthèse.
Analytique d'alerte précoce pour les apprenants en ligne à risque. Zhang, Jeffries & Koprinska (2025) montrent que l'apprentissage automatique interprétable appliqué aux journaux d'interaction avec les contenus prédit la progression au niveau des modules et signale les abandons (résultat « No submission ») dans les grands cours en ligne de programmation jusqu'à 7–8 jours avant les échéances de module, offrant aux enseignants en ligne une fenêtre concrète pour intervenir auprès des étudiants désengagés plutôt que de ne découvrir l'échec qu'après coup.
Abordabilité et rapidité. L'IA peut générer des matériels de cours pour une fraction du coût traditionnel — MAIC a ramené la production d'un cours MOOC d'environ 25 000 $/60 heures à moins de 2 $/30 minutes.

Défis de l'enseignement en ligne à l'ère de l'IA

Le médium en ligne et l'IA générative se combinent pour intensifier un ensemble spécifique de défis que les enseignants doivent affronter de front. Là où l'enseignement en présence peut compter sur la présence, la responsabilisation immédiate et la surveillance, l'enseignement en ligne doit les concevoir explicitement.

Intégrité académique et tricherie

Les cours en ligne posent déjà des défis de surveillance — la surveillance en personne est souvent irréalisable pour des apprenants asynchrones dispersés. L'IA générative aggrave la situation en rendant le travail généré par l'IA indiscernable du travail étudiant et en permettant à grande échelle des raccourcis de type tricherie contractuelle. Les données probantes de la base de connaissances sur l'Intégrité académique et l'préjudice dû au détournement de l'IA montrent que le détournement est moins motivé par les erreurs de l'IA que par le fait que les étudiants copient les réponses au lieu d'apprendre. Parce que l'évaluation en ligne ne peut fréquemment pas distinguer le travail assisté du travail indépendant, le détournement peut gonfler les notes immédiates tout en érodant le savoir durable — un écart entre perçu et réel particulièrement dangereux à distance, où les enseignants ont moins de visibilité sur le processus des étudiants. Les outils de détection constituent une réponse partielle et contestée (détection de plagiat par l'IA, Surveillance à distance des examens), et la position de la base de connaissances privilégie l'évaluation authentique et révélatrice du processus plutôt que la course aux armements de la détection.

Détournement de l'IA et délestage cognitif

Le risque le plus grave est que les apprenants en ligne externalisent le travail cognitif même qui construit la compréhension. L'écart performance–apprentissage montre que l'IA générative augmente facilement la performance immédiate tout en contournant le traitement profond requis pour un apprentissage durable. Les données de terrain sont directes :

Un essai randomisé causal (~1 000 lycéens en mathématiques) a montré qu'une assistance IA non encadrée augmentait la performance en exercice de +48 % mais réduisait de −17 % les notes à un examen sans assistance, à livre fermé — les étudiants qui n'avaient jamais eu accès à l'IA ont surpassé ceux qui l'avaient eue. Un tuteur encadré donnant des indices plutôt que des réponses a éliminé le préjudice.
Des données comportementales à l'échelle de la population (3,2 millions d'interactions ALEKS) ont montré que le temps d'étude sur les problèmes sensibles à l'IA chutait de −26,9 % après la sortie de ChatGPT, avec une diminution de 25 % des probabilités de répondre correctement aux items de rétention surveillés — un effet qui disparaissait sous surveillance, l'imputant à l'usage de l'IA hors plateforme.

L'apprentissage en ligne est particulièrement vulnérable : le médium éloigne déjà les apprenants de la responsabilisation immédiate, et le travail auto-rythmé sur écran invite au raccourci « demander la réponse » que la recherche sur le Délestage cognitif identifie comme le mécanisme central du préjudice. La réponse n'est pas d'interdire l'IA mais d'appliquer des Les garde-fous — un soutien par indices plutôt que par réponses, un ancrage dans les connaissances et une supervision humaine — afin que l'IA augmente plutôt qu'elle ne remplace le travail cognitif de l'apprenant.

Autres défis

Animation IA trop zélée. Les animateurs LLM sont excessivement empressés à intervenir dans les discussions en ligne, ce qui peut irriter les participants et faire dérailler une bonne conversation ; la prudence humaine est le meilleur modèle (Tsirmpas et al.).
Érosion de la motivation. La disponibilité perçue d'un raccourci IA sans effort réduit la La motivation autonome et la persistance, aggravant le préjudice pour l'apprentissage.
Équité et fracture numérique. L'accès à des appareils fiables, à la connectivité et à une IA de qualité varie ; l'apprentissage en ligne avec l'IA peut creuser plutôt que réduire les écarts d'L'équité (La fracture numérique).
Confidentialité des données et confiance. Les plateformes en ligne collectent des données riches sur les apprenants ; les systèmes d'IA soulèvent des questions de transparence et de confidentialité (La vie privée), en particulier pour les adultes qui concilient travail et études.
Maturité organisationnelle. La disparition de KhanMigo — des apprenants qui ne s'engageaient pas réellement avec le chatbot, avec des preuves de gains limitées — avertit que la capacité technique doit s'accompagner de La gouvernance de l'IA et de maturité organisationnelle.

Validité de l'évaluation lorsqu'un travail peut être produit sans l'apprenant

Si la surveillance est irréalisable et qu'un agent peut accomplir le travail, la réponse que privilégie la base de connaissances est de changer ce qui compte comme preuve plutôt que de surveiller davantage. Quatre réponses de conception reviennent dans la littérature récente.

Jumeler la tâche vulnérable avec une tâche jumelle. Roe, Perkins et Giray (2026) conservent l'évaluation pédagogiquement précieuse mais vulnérable à l'IA — la dissertation à domicile ou l'analyse de cas — et y ajoutent une seconde tâche, moins vulnérable, qui évalue les mêmes résultats d'apprentissage, programmée assez près pour permettre une vérification croisée et notée de manière interdépendante. Leur correspondance s'étend aux six volets de Messick concernant les preuves de validité, et le processus de conception se déroule en trois étapes : identifier les vulnérabilités, aligner les résultats et choisir la tâche jumelle, puis élaborer une notation qui relie les deux. Une variation courte de cas, une explication d'une décision clé, ou une brève soutenance orale peuvent servir de tâche jumelle.

Cibler l'appropriation plutôt que la paternité. Ebrahimzadeh, Shibani et Buckingham Shum soutiennent que la co-signature humain–IA compromet plusieurs formes de preuves de validité, et proposent la coauthorship integrity comme preuve de validité à part entière : elle est violée lorsqu'un étudiant soumet un contenu généré par l'IA qu'il ne comprend pas. Pour vérifier la compréhension à grande échelle, ils rapportent un AI Viva, un agent conversationnel qui conduit une soutenance orale hybride avec des questions de compréhension de type et de complexité contrôlables, validé par des éducateurs experts et des spécialistes de l'évaluation. Pour les cours en ligne, c'est une forme de vérification réellement évolutive, et elle produit une preuve portant sur la compréhension plutôt que sur la présence physique dans la salle.

Faire passer l'examen oral en ligne. Pentland, Lowenthal et Krier (2026) délivrent les consignes juste à temps et demandent aux étudiants d'enregistrer de brèves réponses filmées, limitées dans le temps, qu'ils ne peuvent pas réviser, notées à l'aide de grilles intégrées, les transcriptions étant générées automatiquement. Sur deux études — un pilote en comptabilité intermédiaire et un cours d'analytique des données — les étudiants ont obtenu des scores plus élevés à ces évaluations qu'aux examens à choix multiples en présence (significatif dans la seconde étude, tendance positive dans la première), avec des corrélations modérées entre formats soutenant la validité convergente ; les étudiants ont rapporté s'être préparés différemment et avoir utilisé des stratégies d'étude plus actives. Le format répond directement au problème asynchrone : la réflexion est produite en direct à un moment choisi par l'étudiant, à un coût administratif qui n'augmente pas avec la taille de la cohorte.

Séquencer le travail pour que le raisonnement soit engagé en premier. Brcic et Frljic (2026) formulent la question de conception comme un problème de placement plutôt que de permission, et les données causales qu'ils rassemblent montrent que le résultat bascule sur le seul placement — le même assistant non encadré qui avait laissé des lycéens environ 17 % moins performants à un examen sans aide n'a causé aucun préjudice une fois reconstruit pour retenir les réponses, tandis qu'un tuteur bien conçu a environ doublé l'apprentissage. Leur diagnostic est celui qu'il faut retenir : si laisser entrer l'IA rend la tâche apparemment sans effort, elle est au mauvais endroit. Opérationnellement, cela produit une séquence qu'un cours en ligne peut inscrire dans le devoir — penser, s'engager, utiliser l'IA, critiquer, réviser, expliquer — où l'étape d'engagement est ce qui rend le reste évaluable, car un artefact produit à partir de zéro n'a pas d'historique de révision à interroger. En dessous se trouve un état que cette base de connaissances nomme complétion métacognitivement discordante : un travail correct et complet soumis par un étudiant dont on sait que la compréhension n'est jamais arrivée, ce qui dans un cours asynchrone est indiscernable d'une réussite à moins que la conception ne demande quelque chose de plus.

Quelle que soit la combinaison choisie par un enseignant, une contrainte devrait la façonner. L'étude en ligne est fréquemment la seule option accessible — les étudiants la choisissent en raison de leur emploi, de leurs responsabilités de proche aidant, d'un handicap ou de leur situation géographique — si bien que la vérification doit être réduite et proportionnée : une brève explication enregistrée, une application personnalisée, une réponse à une question choisie par l'enseignant, une trace de décision annotée, un contrôle individuel à faible enjeu. La détection a ici ses propres coûts d'équité, puisque les outils qui signalent les auteurs non natifs génèrent de manière disproportionnée des faux positifs (Détection de l'IA, La fracture numérique).

Stratégies pédagogiques recommandées pour l'enseignement et l'apprentissage en ligne

Apprentissage actif et interactif. Privilégier les stratégies qui maintiennent les étudiants dans l'action et la réflexion plutôt que dans la réception passive — L'apprentissage actif, exercices interactifs et dialogue socratique. Une IA qui incite au raisonnement (plutôt qu'elle ne fournit les réponses) préserve la lutte productive et les Les difficultés souhaitables qui construisent un apprentissage durable.
Soutien guidé et progressif. Utiliser un L'étayage qui s'estompe à mesure que les apprenants progressent, et concevoir des soutiens à l'L'apprentissage autorégulé afin que les apprenants pilotent leur propre apprentissage plutôt que de dépendre de l'outil.
Apprentissage collaboratif et fondé sur la discussion. Structurer délibérément les discussions en ligne et le travail de groupe ; utiliser des activités d'apprentissage collaboratif et, lorsque l'IA y participe, calibrer son animation et son rôle de pair.
Évaluation authentique et révélatrice du processus. Se tourner vers l'évaluation authentique et des évaluations qui capturent le processus — brouillons, soutenances orales, auto-explications, portfolios réflexifs — plus résistantes à l'IA et révélatrices d'une compréhension réelle.
Parcours personnalisés et adaptatifs. Utiliser la personnalisation et les activités adaptatives permises par l'IA pour ajuster le rythme et la difficulté, tout en gardant la personnalisation profonde (séquençage des tâches, calibrage de la difficulté) plutôt que superficielle (exemples personnalisés).
Présence sociale et construction de communauté. Cultiver délibérément la présence sociale et la communauté — le cœur du cadre Communauté d'enquête — par l'intermédiaire d'une IA compagne, de points de contact synchrones et d'interactions entre pairs, l'isolement en ligne constituant un obstacle majeur à l'engagement et au sentiment d'appartenance. À l'ère de l'IA, cela signifie orchestrer les trois présences (cognitive, sociale, d'enseignement) alors même que le discours produit par la machine complique la question de savoir qui est « présent » (voir Communauté d'enquête).
Pensée de conception appliquée au mixte. Pour les formats hybrides, appliquer les principes de Conception pédagogique pour décider de ce qu'il est préférable de faire en synchrone plutôt qu'en asynchrone, et en ligne plutôt qu'en présence, et de la manière dont l'IA soutient chacune de ces modalités.
Nommer le rôle de l'IA, et vérifier que l'étudiant en a encore un. « Les étudiants peuvent utiliser l'IA » est une formulation trop large pour servir de base à une conception. Les rôles ont des conséquences pédagogiques différentes — une étude sur l'IA générative dans la formation en marketing distingue tuteur, coéquipier et outil et montre que chacun façonne différemment les présences pédagogique, sociale et cognitive (GenAI in Marketing Education) — si bien qu'une activité en ligne devrait pouvoir énoncer sa division du travail : le rôle de l'IA ici est X, le rôle de l'étudiant est Y. Si Y comporte peu de réflexion, c'est l'activité qui doit être repensée plutôt que la politique rendue plus stricte.
Séquencer la discussion comme position, contestation, reconsidération. La formule asynchrone conventionnelle consistant à publier une fois et à répondre deux fois est à la fois superficielle et réalisable par un agent. Une structure plus forte demande aux étudiants de s'engager sur une interprétation, de rencontrer un contre-exemple ou une critique, puis d'expliquer comment leur raisonnement a évolué ; ce qui est évalué est le mouvement entre les idées plutôt que le nombre de publications. Cela déplace également la présence enseignante : répondre mécaniquement à des dizaines de messages en est la forme la moins précieuse, tandis que la synthèse des tendances au sein de la discussion — les présupposés qui reviennent sans cesse, les désaccords qui méritent d'être nommés, le contre-exemple qui ébranle un consensus — est la part qu'aucun agent dans cette littérature n'accomplit.
Gouvernance avec l'humain dans la boucle. Garder les éducateurs et les enseignants dans la boucle concernant les outils d'IA, appuyés sur le savoir du contenu pédagogique, afin que l'intention pédagogique — et non le réglage par défaut de l'outil — pilote la conception.

Implications pour les enseignants en ligne et les concepteurs pédagogiques

Encadrer l'IA, ne pas se contenter de la fournir. Utiliser un L'étayage fondé sur l'indice plutôt que la réponse, qui maintient le travail cognitif de l'apprenant dans la boucle ; l'essai randomisé sur le tuteur encadré montre que cela élimine la pénalité à l'examen que cause l'accès non encadré. Voir le concept des Les garde-fous pour la couche de conception complète (formulation des consignes, ancrage par RAG (génération augmentée par récupération), formation, assurance qualité).
Concevoir des évaluations résistantes à l'IA et surveillées/sans assistance. Parce que la notation en ligne ne peut souvent pas distinguer le travail assisté du travail indépendant, inclure des évaluations à livre fermé, surveillées ou révélatrices du processus pour révéler et décourager les détournements (Usages abusifs de l'IA et préjudices pour l'apprentissage).
Enseigner explicitement la littératie IA. Aider les étudiants à reconnaître les schémas de dépendance et à calibrer leur confiance (Littératie en IA) ; développer l'autorégulation et la La métacognition pour contrer le délestage.
Intégrer l'IA dans l'environnement d'apprentissage, plutôt qu'en module externe rapporté. Les assistants conçus sur mesure et adaptés au contexte, intégrés au cours (comme AIDA), surpassent les chatbots externes génériques et accroissent l'acceptation.
Calibrer l'animation par l'IA vers la prudence humaine. Lorsque l'IA sert à animer les discussions, préférer les réglages qui interviennent avec parcimonie (Tsirmpas et al.).
Concevoir pour les contraintes de la vie d'adulte. Pour les apprenants adultes et à distance, privilégier l'accès mobile, la capacité hors ligne et la disponibilité asynchrone (recommandations AI-ALOE).
Co-concevoir avec les étudiants et le personnel, et bâtir une gouvernance. Le développement participatif, le parrainage par la direction, la collaboration entre unités et une La gouvernance de l'IA robuste sont des facteurs favorisant une adoption responsable de l'IA générative.
Présupposer qu'un agent tentera chaque activité non surveillée, et concevoir à partir de cette hypothèse. Le test en trois questions est rapide et expose les activités faibles : un système d'IA pourrait-il accomplir cela sans que l'étudiant comprenne la matière ; quelle activité cognitive est censée produire l'apprentissage ; quelle preuve montrera que l'étudiant l'a accomplie. Lorsque la première réponse est oui et que les deux autres sont difficiles à donner, le problème tient à la conception de l'apprentissage plutôt qu'à la politique sur l'IA.
Garder la vérification proportionnée au risque. Lorsqu'une compétence doit être certifiée, préférer une tâche jumelle, une soutenance orale asynchrone ou un court contrôle de compréhension à une surveillance généralisée ; garder le reste du cours flexible pour les apprenants qui dépendent de cette flexibilité.
Utiliser l'analytique pour soutenir, et non pour remplacer, l'enseignement. Exploiter l'Analytique de l'apprentissage pour anticiper l'engagement et cibler le soutien, mais garder la supervision humaine au centre.

Concepts liés

Patrons pédagogiques — Le contexte qui rend le séquencement porteur de sens, puisque le système ne peut voir une tentative
Validité de l'évaluation — la validité de l'inférence allant du travail soumis à l'apprentissage
IA agentique — les systèmes autonomes qui actionnent des outils et des plateformes, y compris un LMS
Communauté d'enquête — Community of Inquiry
Pédagogies et stratégies d'enseignement
Conception pédagogique
L'apprentissage actif
Apprentissage collaboratif
L'étayage
L'apprentissage autorégulé
Délestage cognitif
Intégrité académique
Usages abusifs de l'IA et préjudices pour l'apprentissage
Littératie en IA
Tutorat intelligent
Apprentissage personnalisé
Apprentissage adaptatif
L'engagement des étudiants
La fracture numérique
La gouvernance de l'IA
L'enseignement
Humain dans la boucle
Évaluation authentique
Les garde-fous
Détection de l'IA

FAQ liées

Comment concevoir et animer des cours en ligne asynchrones quand l'IA peut faire le travail ?

Ressources liées

Claw-ED
Un assistant pédagogique IA « local-first » qui transforme votre propre programme en brouillons de leçons modifiables, en supports pour les élèves et en diapositives, à l'aide d'un modèle que vous choisissez.
The ID Toolbox
Plus de cinquante utilitaires gratuits à finalité unique dans le navigateur pour les concepteurs pédagogiques : cadrage, estimation, outillage de sous-titrage et de traduction, contrôles de lisibilité et de cohérence.
LiaScript
Un dialecte Markdown ouvert qui transforme un simple fichier texte en cours interactif dans le navigateur, avec quiz et code exécutable, plus un assistant multi-agents pour construire des cours avec lui.

Métadonnées

Niveau	Higher Ed
Apprentissage et enseignement	Enseignement et apprentissage en ligne, Pédagogies et stratégies d'enseignement
Technologies et techniques	L'IA générative
Fondements de l'IA dans l'éducation	Intégrité académique, Littératie en IA, Délestage cognitif, Conception pédagogique

Source History Edit Chat