Parents et familles

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.

Parents et familles (Parents and families) — le foyer comme acteur de l'IA en éducation : les aidants qui font du tutorat avec leurs enfants à la maison, choisissent et paient les outils, supervisent ou ne remarquent pas ce que ces outils font, et reçoivent ce que leur école communique au sujet de l'IA. La page rassemble les preuves sur le tutorat parent–enfant médié par l'IA et les compagnons conversationnels utilisés à la maison, sur les passations de relais entre la maison et l'école, sur l'littératie en IA des parents eux-mêmes, et sur les conséquences pour l'équité des appareils domestiques, de la connectivité et du coût. Sa portée est la famille comme acteur — ce que les familles font avec l'IA, ce qui leur parvient de l'école, et ce que la recherche établit ou non des résultats.

Questions à examiner

Luo et al. (2026) ont trouvé que l'assistance générique des grands modèles de langue réduisait le rôle de tutorat du parent, tandis qu'une interface à rôles séparés le préservait. Si vous conceviez un outil destiné à un parent et à un enfant devant l'utiliser ensemble, de quoi protègeriez-vous le parent, et que lui confieriez-vous ?
Dans les données de Strömberg, Lei et Wu (2026), les scores aux devoirs ont augmenté de 18 % tandis que les scores à l'examen à livre fermé ont chuté de 20 % en six mois. Que voit réellement un parent se produire à la maison, et que faudrait-il lui dire pour qu'il remarque la différence ?
Xiao et al. (2026) ont trouvé des enseignants désignant les parents comme principalement responsables des relations des enfants avec les compagnons d'IA tout en décrivant ces mêmes parents comme inconscients ou débordés. Est-ce une attribution de responsabilité raisonnable, et que faudrait-il pour la rendre réelle ?
Oreopoulos, Dong et Low (2026) ont presque doublé la présence à la première séance en supprimant la paperasse destinée aux familles. Dans votre propre école ou programme, quelles parties du processus tourné vers la maison existent au bénéfice de la famille et lesquelles au bénéfice de l'institution ?
Fan, Li et Zhang (2026) traitent la coordination famille–école comme une hypothèse non testée plutôt que comme une pratique établie. Si elle n'a jamais été testée, sur quelles preuves reposent les conseils que votre école donne actuellement aux parents ?
MacCallum, Parsons et Mohaghegh (2026) décrivent des fractures numériques de deuxième et de troisième niveau qui persistent après que des appareils ont été fournis. À quoi ressemblerait, dans un foyer, la fermeture des écarts de compétences et de résultats, par contraste avec une salle de classe ?

Introduction

Une grande part du temps que les enfants passent avec l'IA se déroule hors de la classe, dans un cadre que la littérature de recherche traite surtout comme un arrière-plan. Les travaux sur le tutorat et les résultats d'apprentissage sont généralement menés en milieu scolaire, tandis que les travaux sur les conseils aux familles sont généralement consultatifs plutôt que testés, si bien que les familles sont à la fois la cible d'une grande quantité de conseils sur l'usage responsable de l'IA et l'objet de très peu de preuves quant à l'efficacité de ces conseils.

Cette page traite le foyer comme un acteur à part entière. Elle couvre le tutorat parent–enfant médié par l'IA, les compagnons et outils de lecture que les enfants rencontrent à la maison, ce que les écoles disent ou ne disent pas aux familles au sujet de l'usage de l'IA, l'littératie en IA des parents eux-mêmes et ce que l'on sait de leurs points de vue, ainsi que les conditions d'accès et de coût dans lesquelles les familles utilisent ces outils. Là où les preuves sont minces, la page le dit plutôt que de combler le vide.

Les parents comme co-éducateurs à la maison

Les preuves de conception les plus claires sur le tutorat à la maison proviennent de Luo et al. (2026), qui ont construit ParaTutor pour le contexte du tutorat à domicile chinois après une étude formatif de la manière dont les parents aident sur les problèmes de mathématiques à énoncés textuels. Ce travail formatif a identifié des défaillances récurrentes : les parents ont du mal à comprendre la structure du problème, manquent souvent des connaissances de contenu pour l'étayer, et se heurtent à des difficultés de communication qui brisent la compréhension partagée. La réponse de conception a été la séparation des rôles — les parents recevaient des conseils de tutorat par des agents conversationnels multi-agents tandis que les enfants recevaient un ancrage visuel du problème lui-même, avec un soutien cloisonné par phases pour empêcher les dyades de sauter aux réponses. Dans une évaluation menée auprès de 23 dyades parent–enfant (enfants âgés de 10 à 12 ans) selon quatre conditions, l'assistance générique des grands modèles de langue tendait à déplacer le rôle du parent, tandis que l'interface à rôles séparés maintenait les parents dans la délivrance et l'adaptation du soutien, les enfants restant dans le raisonnement. L'implication des auteurs est propre au contexte : en mathématiques, où l'exactitude du modèle est limitée, les enfants ne devraient pas interagir avec le modèle de manière indépendante.

Oreopoulos, Dong et Low (2026) traitent le foyer comme un acteur procédural, et leurs résultats portent autant sur le comportement familial que sur le tutorat. Leur essai randomisé mené avec le Toronto District School Board plaçait des tuteurs virtuels humains par-dessus la pratique sur Khan Academy pour des élèves de niveau 4 à 8 en difficulté. En Année 1, seulement environ 45 % des étudiants désignés par les enseignants ont assisté même à une seule séance, les familles se perdant à chaque passation de relais : invitation, intérêt, création de compte sur une plateforme tierce, appariement, venue. En Année 2, inviter les familles directement par leur propre enseignant pour un horaire hebdomadaire fixe et prendre en charge l'inscription et la planification au nom de la famille a fait monter l'adoption de la première séance à 83 %. La présence hebdomadaire tournait encore autour des deux cinquièmes, surtout par absence intermittente plutôt que par abandon ; la pratique a augmenté d'environ 17 minutes par semaine, et l'effet en intention de traiter sur le test thématique était de 0,055 écart-type, avec des notes de bulletin en hausse d'environ 0,08 écart-type. Supprimer la friction a changé qui venait, et non combien chacun soutenait l'effort.

Compagnons et outils de lecture à la maison

Les familles rencontrent plus souvent l'IA comme une application-compagnon que comme un système de tutorat. Liao (2026) a comparé un compagnon fixe de « pair étudiant » (Whisper avec GPT-3.5) à des professeurs principaux expérimentés dans des séances de conversation autour d'un livre avec 19 élèves du primaire à Taoyuan, Taïwan — 12 en classe de 4e et sept en classe de 5e, quatre séances chacun. Les étudiants ont passé significativement plus de temps avec l'IA, tout en contribuant une proportion nettement plus faible de mots et de phrases ; pour la classe de 5e, la part était inférieure au tiers de ce qu'ils produisaient avec l'enseignant, une régularité que l'article appelle domination conversationnelle. Le compagnon était efficace pour susciter la remémoration factuelle et significativement plus faible que l'enseignant pour solliciter la réflexion émotionnelle et tournée vers l'avenir — un plafond affectif. La réponse de Liao est un cadre adapté au rôle, dans lequel un compagnon occupe les rôles de Pair étudiant, d'Assistant enseignant et de Conseiller parental, ce dernier prolongeant la discussion dans le foyer. Le diagnostic qui le sous-tend est un vide de soutien : la plupart des conceptions de compagnons restent centrées sur la dyade étudiant–IA et ne donnent aux enseignants et aux parents aucune place définie.

Une part des adolescents préfèrent se confier à l'IA plutôt qu'à leurs parents. Des données chinoises citées situent à 13,5 % la part des jeunes internautes qui préfèrent se confier à l'IA plutôt qu'à leurs parents, et le cadre de Fu et Zhao (2026) prédit que le lien avec l'IA devient une substitution compensatoire lorsque les aidants ne reconnaissent pas les besoins de confirmation identitaire d'un adolescent.

Deux articles sur la petite enfance portent sur ce qui parvient au foyer. Yang, Li et Lee (2025) soutiennent que des agents physiques et incarnés sont préférables aux écrans sur le plan du développement pour les jeunes enfants, mais avertissent que des robots sociaux génératifs peuvent fabriquer du contenu que des enfants préopératoires acceptent comme vrai, manquent de calibration développementale dans leur rétroaction, et portent des barrières de coût et d'accès qui creusent la fracture numérique. Malallah et al. (2026) empruntent une voie différente avec le même groupe d'âge : leur cadre AI-Play non branché et fondé sur le jeu a été mis en œuvre par un événement Heure du Code centré sur la famille, avec des enquêtes auprès des parents et des fiches de réflexion des enfants utilisées pour évaluer l'engagement et l'utilisabilité en vue d'une réplication à la maison. Ils rapportent un engagement élevé et une compréhension émergente du fait que l'IA apprend à partir d'exemples.

Communication et transparence entre maison et école

Ce que les écoles disent aux familles au sujet de l'IA, et ce que les familles disent aux écoles, est largement non étudié ; les constats les plus clairs portent sur l'absence de canal. Dans des entretiens fondés sur des scénarios menés auprès de 33 enseignants américains de l'enseignement primaire et secondaire, Xiao et al. (2026) ont trouvé que les décisions d'intervenir tournaient autour de la juridiction plutôt que du préjudice perçu. Leur test de visibilité traçait la frontière à la porte de l'école : l'usage en classe ou sur un outil assigné relevait du rôle de l'enseignant, tandis que l'usage à la maison n'y entrait que par des effets observables tels que le retrait, la chute des notes ou l'isolement — en l'absence de ceux-ci, les enseignants décrivaient une observation et une documentation informelles plutôt qu'une action. Le scénario Parent a été désigné comme le plus préoccupant par 10 des 33 enseignants, 17 ont dit qu'un enseignant devrait s'impliquer et 11 ont répondu « cela dépend ». Les parents ont été désignés en premier comme la partie principalement responsable des relations des enfants avec les compagnons d'IA, puis décrits comme inconscients ou débordés. Les auteurs appellent cela une vacance de juridiction et avertissent que, sans revendication curriculaire établie, les adultes ayant l'accès le plus régulier aux enfants basculent par défaut dans la surveillance et l'orientation vers des services. Les conseillers d'orientation, les parents et les étudiants n'ont pas été interrogés.

Fan, Li et Zhang (2026) rendent explicite le problème de coordination. En examinant la littérature de conseils, ils observent qu'elle repousse la gestion des risques sur les familles et les écoles tout en traitant leur coordination comme établie, et ils formalisent trois modèles concurrents — additif, synergique et compensatoire — en notant que la version synergique intégrée à la plupart des conseils n'a aucun étai probant. Leur test proposé est un essai factoriel contrastant les conseils destinés à la seule famille, à la seule école, coordonnés, et la pratique habituelle. Du côté de la famille, ils reprennent une distinction de la théorie de l'autodétermination entre le délestage dépendant, où la pensée centrale est déléguée, et le délestage autonome, où l'IA étaye tandis que l'apprenant conserve son autonomie épistémique ; la performance immédiate est identique dans les deux cas, ce qui explique pourquoi l'usage inadapté est difficile à voir pour un parent.

La même invisibilité apparaît dans les données de réussite. Strömberg, Lei et Wu (2026) ont suivi 26 811 élèves du secondaire chinois des niveaux 7 à 12 sur 30 mois et ont trouvé que l'adoption de l'IA générative a fait monter les scores aux devoirs de 18 % et réduit le temps d'achèvement de 30 % tout en abaissant les scores à l'examen à livre fermé de 20 % en six mois, les chutes aux examens d'entrée de 18 % et 24 % n'émergeant qu'au bout d'environ deux ans. Environ 81 % des utilisateurs présentaient une régularité d'externalisation des devoirs, tandis que les utilisateurs de l'IA qui consacraient autant de temps aux devoirs que les non-utilisateurs obtenaient des scores similaires aux examens. La recommandation des auteurs s'adresse aux adultes entourant l'enfant : surveiller les entrées telles que le temps consacré aux devoirs et l'effort, plutôt que les sorties telles que les scores aux devoirs. Ils avertissent qu'une surveillance parentale plus étroite est elle-même l'un des inobservables qui distinguent le groupe non externalisant.

La littératie en IA et le plaidoyer des parents

Les preuves directes sur ce que les parents savent, craignent et demandent sont minces, et les parents apparaissent surtout dans la littérature tels que rapportés par d'autres. Les parents de l'étude de cas critique d'Liu et al. (2026) sur un atelier de fabrication réservé aux filles ont été interrogés aux côtés des filles et des praticiens, et ont rapporté que les filles « avaient souvent peur » et parlaient moins dans des contextes mixtes. Dans Xiao et al. (2026), la littératie en matière de compagnons que les enseignants esquissaient était un travail partagé entre conseillers d'orientation, parents, plateformes et décideurs publics, séquencé comme une spirale graduée selon l'âge, les parents étant nommés en premier puis décrits comme portant déjà plus qu'ils ne pouvaient. Les parents apparaissent dans l'évaluation de l'IA-Play à travers des enquêtes sur l'utilisabilité de l'activité plutôt qu'à travers des récits de leur propre compréhension.

Ce dont un parent aurait besoin pour prendre part à tout cela est défini, en fait, par des cadres de littératie en IA construits pour les écoles. MacCallum, Parsons et Mohaghegh (2026) ont conçu SAIL pour être agnostique quant à l'âge, traitant ses compétences de Niveau 1 — comprendre et explorer l'IA — comme essentielles à tous les âges, ce qui place les adultes dans la même progression que les enfants plutôt que comme leurs instructeurs. Les familles occupent aussi un rôle formel dans la recherche elle-même : Allison (2026) demande aux auteurs de rapporter le contexte des participants et leurs caractéristiques sociodémographiques, l'accessibilité et l'adéquation culturelle, ainsi que l'examen éthique, le consentement et la gouvernance des données — les obligations par lesquelles le consentement, les données et le contexte d'une famille deviennent du tout visibles.

Accès et équité entre les familles

Le coût et la connectivité façonnent ce que les familles peuvent utiliser avant même que ne se pose une question de pédagogie. Dans l'étude sur l'atelier de fabrication, Liu et al. (2026) documentent à la fois une barrière de coût et une barrière de conception : le générateur d'images gratuit Playground a supprimé ses fonctions gratuites au profit d'une offre « pro » payante que l'organisme sans but lucratif sous-ressourcé ne pouvait absorber, et les outils n'acceptaient que des invites en anglais, désavantageant les filles sans confiance en anglais. Yang, Li et Lee (2025) signalent que le coût et l'accès creusent la fracture numérique. Le résultat d'adoption de Oreopoulos, Dong et Low (2026) est aussi un résultat d'équité autant qu'un résultat de conception : les familles perdues en Année 1 l'ont été au profit d'étapes administratives, et l'intervention qui les a récupérées a été construite autour de l'enseignant propre de la famille et d'un créneau hebdomadaire fixe.

Fan, Li et Zhang (2026) nomment les conditions de mesure qui rendent risqués les conseils familiaires généraux : les instruments portant sur la littératie en IA, la dépendance et la dépendance excessive ont été largement développés dans des échantillons nationaux uniques ou des échantillons universitaires spécialisés, et la plupart des études sont transversales et fondées sur l'auto-déclaration. L'argument d'équité de SAIL vaut aussi dans le registre du foyer : fournir un appareil ne traite que la première des trois fractures, et les écarts de compétences et de résultats persistent quelle que soit la personne qui possède le matériel.

Ce que les preuves montrent et ne montrent pas

Les résultats les plus forts tournés vers la famille dans cette base de connaissances portent sur le comportement plutôt que sur l'apprentissage. La réduction de la friction du côté du foyer a fait passer la présence à la première séance d'environ 45 % à 83 % dans un essai, et l'adoption est restée la contrainte déterminante même alors. Le même essai a produit des gains de résultats petits et imprécis, tandis que la plus grande étude sur la réussite rapporte d'importants effets négatifs concentrés parmi les étudiants qui externalisaient leurs devoirs, une régularité que les auteurs attribuent en partie à une surveillance parentale qu'ils ne pouvaient mesurer directement. Aucun de ces constats n'isole ce que font les parents de ce que font les écoles ou les outils.

Ce qui manque est plus frappant. Les récits des parents eux-mêmes sont rares : les enseignants de Xiao et al. (2026) excluaient les parents de leur échantillon par conception, et les parents qui apparaissent sont interrogés comme une voix parmi les filles, les praticiens ou les enseignants. Il n'y a ici aucune preuve directe sur la manière dont les familles apprennent l'politique d'IA d'une école, sur ce qu'on leur dit de la surveillance ou de la divulgation, ni sur la manière dont elles y répondent, et la coordination famille–école a été théorisée plutôt que testée. Des conceptions de tutorat à domicile telles que ParaTutor ont été évaluées sur 23 dyades dans un seul contexte national, et les comparaisons de compagnons reposent sur 19 élèves d'une seule école.

Une revue de cadrage de 2026 cartographie la distance parcourue par le champ. Luo et al. (2026) ont analysé 53 études en IHC issues de 6 540 références dans 19 lieux de publication à travers la théorie de l'activité, et ont trouvé la littérature centrée sur l'interaction enfant–parent et sur le langage, l'littératie en IA et l'apprentissage relationnel, avec 44 des 53 études (83 %) situées dans des configurations enfant–parent. Les systèmes conversationnels, incarnés et spatiaux génèrent du soutien à partir du contexte d'une interaction en déploiement, et les grands modèles de langue redistribuent le travail éducatif tandis que les familles et les institutions demeurent responsables de l'interprétation des productions et de la décision de la manière dont elles entrent dans la pratique. La personnalisation soutenue, le travail de réparation, et la manière dont les familles négocient l'autorité et les règles sont les lacunes que nomme la revue, ce qui est la même absence que cette section documente par l'autre direction.

Relation avec les autres pages. Parties prenantes est la vue d'ensemble courte de l'ensemble des acteurs, les familles y figurant comme un public non encore traité en profondeur ; cette page est cette profondeur. Éducation de la petite enfance couvre le domaine développemental et pédagogique des jeunes apprenants à l'école comme à la maison ; cette page suit la famille à travers les âges, des activités de jeu préscolaires aux devoirs du secondaire. Déclarations d'utilisation et de divulgation de l'IA couvre la question de savoir si les apprenants disent aux autres qu'ils ont utilisé l'IA ; cette page couvre la question adjacente de savoir si cette information parvient aux adultes à la maison, et ce que l'on dit aux familles de l'usage de l'IA à l'école.

Concepts liés

Parties prenantes — la page parapluie des publics et des acteurs de l'IA en éducation
Éducation de la petite enfance — le domaine développemental où l'usage domestique et familial est le plus étudié
Déclarations d'utilisation et de divulgation de l'IA — les pratiques de divulgation et la question de ce qui parvient aux familles
Littératie en IA — les compétences propres aux parents et les cadres construits par l'école qui les définissent
L'équité — la manière dont les bénéfices et les charges se répartissent entre les foyers
La fracture numérique — les couches d'accès, de compétences et de résultats telles qu'elles s'appliquent à la maison
L'IA conversationnelle — la forme dominante que prend l'IA dans les cadres familiaux
La théorie de l'autodétermination — le soutien à l'autonomie comme cadre des conseils aux familles
Délestage cognitif — le délestage dépendant contre le délestage autonome, et pourquoi les parents ne peuvent voir la différence
Tutorat intelligent — le modèle derrière le tutorat parent–enfant médié par l'IA

FAQ liées

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

Métadonnées

Niveau	Preschool, Primary Education, Secondary, K 12
Public visé	Instructors, Policymakers, Researchers
Technologies et techniques	L'IA conversationnelle
Équité, éthique et usage responsable	La fracture numérique, L'équité
Fondements de l'IA dans l'éducation	Littératie en IA

Source History Edit Chat