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

Modèle SAMR

Création 2026-09-10 · Mise à jour 2026-10-10

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

Le modèle SAMR — un cadre d'intégration technologique développé par Ruben Puentedura qui classe la mesure dans laquelle une technologie transforme l'apprentissage selon quatre niveaux : Substitution, Augmentation, Modification et Redefinition. Les deux niveaux inférieurs (Substitution, Augmentation) améliorent une tâche existante — la technologie fait ce qui se faisait avant, mieux ou plus commodément ; les deux niveaux supérieurs (Modification, Redefinition) la transforment — la tâche elle-même devient quelque chose qui n'était pas possible auparavant. Dans l'IA dans l'éducation, SAMR est la lentille standard pour demander si l'IA générative est utilisée pour améliorer progressivement la pratique existante ou pour reconceptualiser l'apprentissage, et il se tient aux côtés de TPACK comme une manière de décrire comment les enseignants intègrent la technologie, plutôt que pourquoi ils l'acceptent.

Questions à examiner

  • Lorsque l'IA est introduite dans un cours, est-ce une Substitution (un agent conversationnel remplace une boîte de recherche) ou une Redefinition (une tâche devient possible qui ne l'était pas auparavant) ? Qu'est-ce qui détermine le niveau approprié — et la transformation est-elle toujours le but ?
  • SAMR et les modèles d'adoption des technologies répondent à des questions différentes : la théorie de l'adoption demande pourquoi un enseignant ou une institution accepte un outil ; SAMR demande à quel point l'outil change l'apprentissage. À laquelle de ces questions une étude donnée d'intégration de l'IA répond-elle réellement ?
  • Une revue systématique de l'intégration de l'IA dans l'enseignement supérieur a constaté que la plupart des usages se situaient au niveau Substitution ou Augmentation, une seule étude approchant la Redefinition. Si c'est typique, qu'est-ce que cela suggère de l'écart entre le potentiel de l'IA et sa réalité de classe ?
  • SAMR est fréquemment invoqué dans le développement professionnel des enseignants pour aider les éducateurs à planifier l'usage des technologies. Classer le niveau SAMR d'une leçon change-t-il ce qu'un enseignant fait réellement, ou n'est-ce guère qu'une étiquette descriptive ?
  • Les critiques soutiennent que SAMR, comme TPACK, repose sur une ontologie humaniste qui traite la cognition comme inchangée par la technologie, et qu'il ne dit rien du pouvoir, de la propriété des données ou de l'équité. Une lentille de niveau d'intégration suffit-elle, ou l'intégration à l'ère de l'IA a-t-elle besoin d'un cadre plus critique ?

Introduction

SAMR décrit la profondeur de la transformation technologique des tâches d'apprentissage. Ses quatre niveaux forment une échelle ascendante allant de l'amélioration à la transformation : la Substitution (l'outil en remplace un autre sans changement fonctionnel — un agent conversationnel à la place d'un moteur de recherche), l'Augmentation (l'outil remplace et améliore — le correcteur orthographique d'un traitement de texte par-dessus une machine à écrire), la Modification (la tâche est significativement repensée — les étudiants collaborent en temps réel sur un brouillon partagé généré par l'IA), et la Redefinition (de nouvelles tâches auparavant inconcevables deviennent possibles — les apprenants co-créent avec un modèle génératif de manières qui n'ont aucun analogue non-IA). Le modèle est largement utilisé dans les recherches sur les technologies éducatives et dans le développement professionnel des enseignants comme vocabulaire pour planifier et évaluer l'intégration technologique, et c'est un compagnon standard de TPACK et des cadres d'adoption des technologies — bien qu'il réponde à une question différente de l'un comme de l'autre.

Ce que signifient les quatre niveaux

  • Amélioration (moitié inférieure) : la Substitution et l'Augmentation améliorent une tâche existante sans changer sa nature. La plupart des usages routiniers de l'IA — génération de questions, génération rapide de texte, synthèse — se situent ici : c'est plus rapide et plus commode, mais cela n'altère pas ce qu'on demande à l'apprenant de faire.
  • Transformation (moitié supérieure) : la Modification et la Redefinition changent la tâche elle-même. Le programmation intuitive, la co-construction en temps réel avec un modèle et le dialogue interactif adaptatif sont des tâches qui n'étaient pas possibles avant l'IA générative, et représentent l'extrémité transformative de l'échelle.

SAMR est fréquemment associé au cadre ICAP parce que les deux s'alignent : les quatre scénarios cuisine-apprentissage de Rummel, Nachtigall et Panadero (2026) projettent les modes d'engagement ICAP sur les niveaux SAMR — ICAP Passive avec SAMR Substitution, Active avec Augmentation, Constructive avec Modification, et Interactive avec Redefinition — illustrant une progression de la délégation passive à la co-construction interactive.

Preuves issues de la base de connaissances

  • L'intégration de l'IA dans l'enseignement supérieur est largement incrémentale, non transformative. AlSheikh et coll. (2026), dans une revue systématique PRISMA de 22 études d'intervention triées parmi 959 enregistrements, ont noté l'intégration de l'IA avec le modèle SAMR et ont constaté que la plupart des études se regroupaient au niveau Substitution ou Augmentation, moins nombreuses à la Modification, et une seule approchant la Redefinition. L'IA était typiquement introduite pour améliorer la pratique existante — dominée par l'automatisation de l'évaluation et le soutien à l'apprentissage personnalisé — plutôt que pour reconceptualiser les curricula ou les résultats d'apprentissage.
  • SAMR est une lentille analytique courante pour le changement de programme mené par l'IA générative. Sabani et coll. (2026) projettent cinq glissements curriculaires (du statique au dynamique, de la transmission à la capacité, du local à l'institutionnel) sur des lentilles établies, dont SAMR et l'alignement constructif, en utilisant le modèle pour clarifier les mécanismes pédagogiques par lesquels l'IA générative remodèle le curriculum.
  • SAMR et TPACK ancrent les standards d'intégration technologie-enseignant. Crompton et coll. (2026) situent leurs six standards technologiques pour le corps professoral face à des cadres existants — TPACK, RAT, SAMR, SETI — et à des standards (ISTE, UNESCO, DigCompEdu), dont la plupart visent les éducateurs du primaire et du secondaire ou seulement la portion d'enseignement des rôles du corps professoral, laissant un manque dans le développement professionnel du corps professoral de l'enseignement supérieur.
  • SAMR est une cible de la critique posthumaniste. Elsayed (2026) critique les modèles TPACK, SAMR et de littératie en IA pour partager une ontologie humaniste qui présume un apprenant borné dont la cognition est fondamentalement inchangée par la médiation technologique, soutenant que ces cadres instrumentalistes ne peuvent traiter le rôle constitutif de l'IA dans la cognition.
  • Un cadre d'intégration, non un cadre du pouvoir. Poudyal (2026) évalue SAMR aux côtés de TPACK et d'autres cadres d'intégration et constate qu'aucun ne traite du pouvoir équitable, de la propriété des données ou de la responsabilité, ce qui motive un cadre écologique alternatif de co-agentivité.
  • L'usage par les étudiants se projette aussi sur SAMR, et le retour d'information couvre tous les niveaux. Le codage des déclarations d'usage de l'IA générative de 31 à 36 étudiants dans une unité de physique a placé l'apprentissage au niveau substitution-augmentation, le formatage au niveau substitution, et la réalisation des tâches au niveau modification-redefinition, tandis que le retour d'information — vérification, clarification, validation — apparaissait aux quatre niveaux (Quince et Faulconer (2026)).

SAMR, TPACK et adoption des technologies : en quoi ils diffèrent

Trois cadres sont fréquemment confondus mais répondent à des questions distinctes :

  • Les modèles d'adoption des technologies (TAM, UTAUT) expliquent pourquoi un individu ou une institution accepte une technologie et continue de l'utiliser — utilité perçue, facilité d'usage et influence sociale.
  • TPACK décrit les connaissances dont un enseignant a besoin pour intégrer la technologie efficacement — l'interaction des connaissances technologiques, pédagogiques et de contenu, étendue à l'ère de l'IA à AI-TPACK/GenAI-TPACK.
  • SAMR classe à quel point une technologie transforme une tâche d'apprentissage, de l'amélioration à la redéfinition.

SAMR se comprend au mieux comme une lentille de profondeur d'intégration utilisée dans la planification et l'évaluation, complétant la théorie de l'adoption (qui explique l'appropriation) et TPACK (qui explique la capacité de l'enseignant). À l'ère de l'IA, il s'utilise le plus productivement pour demander si l'IA générative est appliquée pour améliorer des tâches existantes ou pour rendre possibles des tâches authentiquement nouvelles — une distinction qui parcourt toute la recherche de la base de connaissances sur l'évaluation et le curriculum.

Implications pour la pratique

  • Utiliser SAMR pour poser la question de la profondeur, non pour prescrire la transformation. L'amélioration n'est pas intrinsèquement inférieure ; de nombreux usages routiniers de l'IA sont des Substitutions légitimes. Le modèle est diagnostique : il clarifie ce qu'un usage donné change réellement.
  • L'associer à ICAP. SAMR décrit ce que devient la tâche ; ICAP décrit comment l'apprenant s'engage. Utilisés ensemble, ils distinguent la substitution de surface de la co-construction interactive profonde.
  • Le compléter par des lentilles d'adoption et d'équité. SAMR ne dit rien des raisons pour lesquelles un outil est adopté ni de qui en bénéficie. Associez-le aux modèles d'adoption et à l'analyse de l'équité pour éviter qu'une étiquette de profondeur ne se substitue à une évaluation critique.
  • Traiter les preuves d'une intégration incrémentale comme un constat, non comme un échec. Si la plupart des intégrations de l'IA se regroupent au niveau Substitution/Augmentation, la tâche de conception n'est pas de forcer la Redefinition, mais de reconnaître qu'un usage transformatif exige des conceptions de tâches différentes, et pas seulement de meilleurs outils.

Concepts liés

Articles liés

Métadonnées

NiveauK 12, Higher Ed
Public viséInstructors, Curriculum Designers, Researchers
Technologies et techniquesTechnologies de l'IA, Les modèles d'adoption des technologies
Fondements de l'IA dans l'éducationLe développement éducatif, Conception pédagogique, Le savoir technologique, pédagogique et disciplinaire (TPACK), La compétence des enseignants en IA
Type de pageFramework
SourceHistoryEditChat

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.