La compétence des enseignants en IA

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

La compétence des enseignants en IA (Teacher AI competency) — les connaissances, les compétences et les dispositions dont les enseignants ont besoin pour intégrer l'IA à l'enseignement et à l'apprentissage de manière efficace, éthique et équitable. Elle va au-delà de l'usage technique des outils pour inclure l'intégration pédagogique, la littératie d'évaluation, le jugement éthique et la confiance nécessaire pour bien utiliser l'IA. La compétence des enseignants en IA est le pendant du côté enseignant de la littératie en IA, et elle se développe par le développement professionnel. Elle est centrale dans la transformation du rôle de l'enseignant dans les classes augmentées par l'IA.

Questions à examiner

• La page soutient que l'enseignant est « le facteur décisif » dans l'amélioration de l'apprentissage par l'IA — que les outils n'aident que lorsque les enseignants peuvent les planifier, en étayer l'usage et en évaluer les productions. Cela correspond-il à votre expérience, ou pensez-vous que l'outil lui-même compte davantage que l'enseignant ?
• La compétence des enseignants en IA couvre la maîtrise technique, l'intégration pédagogique, la littératie d'évaluation et le jugement éthique. Laquelle pensez-vous que les enseignants manquent le plus, et laquelle est la plus difficile à former ?
• La recherche documente un écart entre la compétence en IA auto-perçue et réelle des enseignants. Pourquoi, à votre avis, les gens surestiment-ils leur degré de préparation, et que faudrait-il pour combler honnêtement cet écart ?
• Un programme intensif de développement professionnel a produit de forts gains de compétence pédagogique en IA dans la recherche citée, ce qui suggère que la compétence technico-pédagogique est formable. Si c'est vrai, pourquoi tant d'enseignants semblent-ils encore mal préparés — qu'est-ce qui fait obstacle ?
• Si un enseignant sait « bien utiliser l'IA », que signifie « bien » pour vous — et comment sauriez-vous qu'un enseignant y est parvenu plutôt qu'il a simplement adopté l'outil ?

Introduction

La compétence des enseignants en IA est importante parce que l'enseignant est le facteur décisif dans l'amélioration de l'apprentissage par l'IA. La recherche montre de manière constante que les outils d'IA ne se traduisent par de meilleurs résultats que lorsque les enseignants peuvent les anticiper dans leur planification, étayer leur usage par les étudiants, évaluer leurs productions et les intégrer dans un enseignement cohérent. La littérature de la base de connaissances examine les dimensions de cette compétence, les écarts entre auto-perception et compétence réelle, et le développement professionnel qui la construit.

Les dimensions centrales de la compétence

La recherche de la base de connaissances converge vers plusieurs dimensions interconnectées :

• La maîtrise technique : concevoir des invites efficaces au regard des objectifs éducatifs, évaluer les outils d'IA pour leur adéquation pédagogique et leur sécurité, et résoudre les pannes en temps réel. Un programme intensif de développement professionnel sur l'IA générative a documenté des gains significatifs sur les cinq composantes du AI-PCK (d'ensemble d = 2.36), montrant que la compétence technico-pédagogique est formable.

• La connaissance pédagogique est la couche décisive. Une étude transversale aux niveaux d'enseignement sur l'enseignement de l'IA au niveau secondaire (46 enseignants, 2,832 étudiants) a montré que la connaissance technique de l'IA seule était insuffisante — et pouvait même réduire légèrement la perception qu'ont les étudiants de l'IA au service du bien commun — tandis que la connaissance pédagogique de l'IA façonnait les perceptions des étudiants et leur intention d'apprendre l'IA. Les cadres de compétences devraient donc accorder à la connaissance pédagogique de l'IA le poids de dimension pivot, et non d'ajout secondaire.

• L'intégration pédagogique : relier l'usage de l'IA aux objectifs d'apprentissage, concevoir un étayage qui soutient la métacognition et l'auto-régulation des étudiants, et intégrer l'IA à la conception pédagogique. Les recherches sur l'AI-TPACK modélisent la manière dont les enseignants combinent connaissances technologiques, pédagogiques et disciplinaires à travers des flux de travail multi-agents, tandis qu'un cadre d'association enseignant-IA en cinq niveaux (transactionnelle → synergique) saisit la manière dont l'IA générative peut remplacer, compléter ou augmenter la compétence de l'enseignant.

• La littératie d'évaluation : évaluer les contenus générés par l'IA et les productions des étudiants réalisées avec l'IA, et comprendre comment la validité se déplace lorsque les étudiants utilisent l'IA. Cela se relie à l'évaluation automatisée, à la détection de l'IA et au programme plus large de refonte de l'évaluation. Pour les systèmes de recommandation, cela s'étend au jugement porté sur le caractère réellement compréhensible et pédagogiquement signifiant des explications d'une IA : Feldman-Maggor et al. (2025) ont constaté que les enseignants faisaient davantage confiance aux recommandations de regroupement par l'IA lorsque les explications étaient formulées dans le langage du domaine (curriculaire) que lorsqu'elles exposaient les caractéristiques brutes du modèle — une compétence qui consiste à exiger et à apprécier la qualité des explications plutôt qu'à accepter des productions opaques.

• La sélection du modèle et la conception des invites comme compétences démontrables : la littératie instrumentale en IA inclut le fait de savoir quel modèle utiliser et comment formuler la tâche. Jacobsen et al. (2026) ont fait critiquer par ChatGPT-4, Claude 3 et Gemini Advanced les objectifs de planification de leçon de 153 enseignants en formation initiale, sous quatre invites systématiquement variées (N = 240 rétroactions dans l'étude 1, 345 dans l'étude 2), la rétroaction étant notée selon neuf catégories de qualité. Le seul choix du modèle expliquait 26.9% de la variance de la qualité notée (18.4% dans l'étude 2) et la conception de l'invite ajoutait une part significative de 15.9% (5.7%) par-dessus ; la caractéristique décisive de l'invite était le langage technique propre au domaine, dont le retrait abaissait significativement la qualité (β = −0.412), tandis que l'ajout d'exemples et la suppression de l'instruction de chaîne de raisonnement ne faisaient aucune différence significative dans l'étude 1. Leur lecture — selon laquelle la terminologie disciplinaire débloque à la fois les contenus pertinents des données d'entraînement et cadre professionnellement la demande, à la manière du prompting par rôle — ainsi qu'une règle empirique préconisant l'usage du modèle de pointe actuel le plus capable, font du choix du modèle une décision didactique plutôt que technique.

• L'usage éthique et critique : reconnaître les biais dans les productions de l'IA, protéger les données des étudiants (vie privée) et garantir des résultats équitables (équité). L'usage culturellement pertinent de l'IA examine comment les enseignants peuvent utiliser les LLM pour diversifier les matériaux plutôt que pour renforcer les normes dominantes.

• La responsabilité éthique est distribuée, non individuelle. Sur sept cas nationaux, les enseignants sont positionnés comme gardiens moraux de l'usage de l'IA tout en manquant de soutien institutionnel et épistémique, si bien que la littératie éthique en IA doit s'étendre à l'agentivité critique et politique plutôt qu'à la seule compétence technique (Raffaghelli et al. (2026)).

• La confiance et les attitudes : la confiance de l'enseignant façonne l'adoption. Les recherches sur l'adoption montrent que la confiance, le soutien et l'utilité perçue déterminent si les enseignants utilisent réellement l'IA, et que les orientations des enseignants-chercheurs façonnent l'adoption dans la recherche et l'enseignement.

• Dans une enquête menée dans cinq pays auprès de 1,405 enseignants du primaire et du secondaire, la préparation à l'IA prédisait des croyances positives quant à la valeur pédagogique de l'IA générative (B = .59, R² = .50) tout en prédisant une plus grande préoccupation en matière de créativité (B = .18), et les mêmes prédicteurs n'expliquaient que 7% et 6% de cette préoccupation — le développement de la préparation seul laisse la préoccupation intacte (Xiu et al. (2026)).

La préparation devrait être ordonnée et mesurée en conséquence : le modèle Capacité–Décision place la capacité démontrée en IA en amont de l'attitude et de la confiance et propose des indicateurs de performance plutôt que la seule auto-déclaration — tâches de conception de leçon, tâches d'évaluation d'invites semées d'erreurs, jugements de validité de contenu et grilles d'évaluation des artefacts de classe (Mnguni (2026)).

La préparation émotionnelle et morale est une dimension distincte. Vassallo (2026) a enquêté auprès du personnel académique d'une université maltaise (109 personnes ayant répondu) et a construit un indice de culpabilité liée à l'IA (α = 0.88) à partir de quatre items sur les émotions morales, constatant que la culpabilité anticipée l'emportait sur le remords éprouvé après usage : l'adhésion la plus forte portait sur l'inquiétude que l'usage de l'IA nuise à sa crédibilité (34.9% d'accord), puis sur le sentiment de tricher en l'utilisant (25.7%), tandis que le remords post-usage ne recueillait que 9.2%. Les constats qui importent pour les cadres de compétences sont que les non-utilisateurs déclaraient une culpabilité plus forte que les utilisateurs (M = 3.25 contre M = 2.32) et que la culpabilité diminuait à mesure que la sécurité de carrière augmentait — les universitaires en début de carrière en déclaraient le plus (M = 2.71) et les universitaires confirmés le moins (M = 2.03). La préparation émotionnelle n'est donc pas captée par les mesures de compétence ou de confiance, et l'article soutient que les cadres de compétences devraient traiter la culpabilité et le souci identitaire comme des réactions transitionnelles normales plutôt que comme des fautes à corriger.

Une version plus forte de ce recadrage soutient que l'IA générative est un concept-seuil plutôt qu'un manque de compétences : un récit autoethnographique avance que l'anxiété et la résistance des enseignants sont constitutives du franchissement du seuil, si bien que la formation fondée sur les compétences échoue et que le non-adoption par principe devrait être respecté plutôt que corrigé (Laidlaw (2026)).

L'écart de compétence

Un constat clé est l'écart entre compétence auto-déclarée et compétence fondée sur la performance. Les recherches sur l'évaluation de la littératie en IA documentent une divergence substantielle (jusqu'à environ 40%) entre ce que les enseignants croient pouvoir faire et ce qu'ils peuvent réellement démontrer — les enseignants confiants dans leurs compétences en IA manquent souvent des capacités fondamentales d'invite et d'évaluation. Cela motive une évaluation fondée sur la performance de la compétence des enseignants plutôt qu'un recours à l'auto-déclaration, et se relie à l'auto-évaluation calibrée. Une enquête nationale menée auprès de 2,586 enseignants du secondaire au Nigéria a mesuré les deux versants avec des instruments distincts — une conscience de l'IA modérée (M = 3.13 sur 8) contre une compétence pédagogique en IA plus faible (M = 2.47 sur 5) — les enseignants en début et en milieu de carrière déclarant une compétence plus élevée que leurs collègues expérimentés (Olurinola et al., 2026).

L'écart ne porte pas seulement sur la différence entre compétence perçue et compétence réelle, mais sur l'étendue de ce que les enseignants savent : une enquête nationale menée auprès de 2,018 personnels éducatifs du secondaire en Ukraine a montré que 84% déclaraient utiliser l'IA dans leur pratique professionnelle, alors que seulement 11% pouvaient nommer un service d'IA spécialisé autre que ChatGPT (Marienko, Markova & Semerikov (2026)). Une seconde étroitesse apparaît dans ce que les enseignants signalent spontanément plutôt que dans ce qu'ils peuvent nommer : 53 enseignants en exercice ont étiqueté leurs propres cas de classe en regard du cadre de littératie en IA de l'OCDE et ont décrit 43 pratiques lettrées en IA contre seulement 10 échecs (Wang et al., 2026). Leurs sélections de compétences se concentraient sur le jugement pratique (évaluer les productions de l'IA, N = 38) et atteignaient rarement les biais sociétaux (N = 5), l'alignement éthique (N = 6) ou la consommation énergétique de l'IA (N = 9).

L'écart est visible dans l'artefact aussi bien que dans l'auto-déclaration. Un collaboratoire interfacultaire d'intégration de l'IA en formation des enseignants, dans lequel des formateurs d'enseignants ont conçu l'intégration de l'IA dans leurs propres cours de didactique, a montré que les candidats pouvaient produire des plans de leçon soignés assistés par l'IA tout en étant incapables d'expliquer pourquoi un plan convenait aux apprenants et aux référentiels, le plan lui-même ne disant rien du raisonnement qui le sous-tend. Noter la justification plutôt que le produit est une réponse. Le cadre des pédagogies de la pratique en suggère une autre, traitant la répétition comme une approximation de la pratique : la répétition médiée par l'IA avec une rétroaction structurée après la répétition a accru l'usage par les candidats de questions de sondage et d'exploration, alors même que leurs propres jugements sur leur performance divergeaient encore de ce que les observateurs avaient consigné.

Une auto-évaluation en baisse après une formation peut signaler un apprentissage plutôt qu'une perte. Dans un programme de développement professionnel de six mois sur l'Intelligent-TPACK réunissant 64 enseignants universitaires de Hong Kong contre 61 témoins, la compétence globale en IA a augmenté d'environ un demi écart-type (d de Cohen = −.521), alors même que certains enseignants des deux groupes obtenaient des scores plus faibles au post-test qu'au pré-test (Tan, Cheng & Ling, 2025). Les entretiens ont attribué ces déclins à un passage de l'incompétence inconsciente à l'incompétence consciente — le recalibrage que prédit l'effet Dunning–Kruger — plutôt qu'à une perte de compétence. Les auteurs concluent que l'auto-déclaration pré-post sous-estime une intervention, car une partie du gain arrive sous la forme d'une correction à la baisse de l'instrument lui-même.

L'écart se manifeste aussi par la non-participation. Watson & Rainie (2026) ont enquêté fin 2025 auprès de 1,057 enseignants-chercheurs américains et ont constaté que 26% n'utilisaient pas du tout les outils d'IA générative, un tiers choisissant de ne pas les utiliser pour l'enseignement et le non-usage se concentrant dans les arts et les sciences humaines (40%). Le versant institutionnel de l'écart était plus large que le versant individuel : 68% déclaraient que leur établissement n'avait pas préparé les enseignants à utiliser l'IA générative pour l'enseignement et le mentorat, et les enseignants désignaient la résistance de leurs collègues (82%) et leur méconnaissance (83%) comme les principaux obstacles à l'adoption au sein de leur département — un tableau dans lequel le renforcement des capacités, les normes entre pairs et la politique doivent tous évoluer ensemble.

La formation initiale contourne largement la dimension éthique de la compétence. Une revue systématique portant sur l'IA dans la formation initiale des enseignants de mathématiques du primaire (Pinto et al. 2026, 11 études sélectionnées sur 341 références) a montré que les interventions se concentraient sur des gains techniques et pédagogiques à court terme, neuf des onze consistant en de brèves interventions réparties sur une à six séances, et a rapporté que l'éthique n'était abordée que dans trois des onze études. Les cadres de compétences nomment le jugement éthique comme une dimension ; la littérature de formation initiale censée la construire l'enseigne ou la mesure rarement.

Le développement professionnel qui fonctionne

La littérature sur le développement professionnel de la base de connaissances identifie des approches efficaces :

• Les programmes intensifs, ancrés dans la théorie : un programme intensif de développement professionnel sur l'IA générative réunissant 163 enseignants et enseignants en formation initiale a produit des gains significatifs sur toutes les composantes du AI-PCK, les enseignants en formation initiale en bénéficiant le plus. La formation fondée sur la théorie de l'autodétermination montre que l'entraînement soutenant les besoins améliore la littératie en IA, les attitudes et l'engagement des enseignants tout en réduisant l'anxiété.
• Les approches fondées sur la conception et intégrées : la formation à la littératie en IA générative fondée sur la DBR corrige la survalorisation des connaissances techniques et des outils antérieurs à l'IA générative ; les cadres intégratifs et développementaux et l'intégration des compétences socioémotionnelles élargissent la littératie au-delà de la pure technique.
• L'enquête et la pratique authentique : les modèles d'enquête assistés par l'IA construisent la littératie en IA et la performance authentique chez les enseignants en formation initiale.
• La préparation propre au contexte : le cadre de préparation EPIQ-AI souligne que la préparation des enseignants est une question sociotechnique exigeant l'alignement des capacités du corps enseignant, de la gouvernance et de l'assurance qualité.
• Le soutien doit être différencié selon l'expérience et la maîtrise de l'IA. Choi et al. (2026) ont constaté que la manière dont les enseignants interagissent réellement avec l'IA dans la conception des leçons dépend de l'interaction entre l'expérience d'enseignement et la maîtrise de l'IA, et non de l'un ou l'autre seul. Les enseignants expérimentés à forte maîtrise de l'IA adaptent de manière critique les productions de l'IA au contexte (reformulation des invites, élaboration), tandis que les novices — même techniquement fluides — tendent à accepter directement les réponses de l'IA et considèrent rarement les étudiants et le contexte. Cela plaide pour un développement professionnel fondé sur les profils : listes de contrôle d'évaluation des réponses et modèles d'invites pour les novices, et renforcement pratique des compétences pour les enseignants expérimentés à plus faible maîtrise de l'IA.

La configuration des croyances est un second axe de profilage : parmi 40,680 enseignants dans TALIS 2024, un même statut de non-usage masquait des obstacles opposés — 83.3% du profil Indifférent invoquaient des réserves pédagogiques tandis que 66.2% de l'Adhésion mesurée invoquaient des connaissances et des compétences insuffisantes (Fang & Jin (2026)). L'apprentissage professionnel lié à l'IA suivait l'appartenance à un profil de manière plus constante que l'âge ou le niveau d'études.

• Les enseignants ne partagent pas une seule conception de l'IA. Une étude phénoménographique portant sur 16 enseignants danois de l'enseignement supérieur a trouvé trois conceptions de l'enseignement avec l'IA et trois de l'apprentissage avec l'IA, si bien qu'un modèle unique d'atelier n'atteint qu'une partie de n'importe quel groupe d'enseignants (Stenalt (2026)).

• La co-conception et la littératie pédagogique des invites sont des compétences, non des ajouts. Une revue systématique de la co-conception enseignant-IA de tâches d'apprentissage (Wang, Liu & Islam 2026, 28 études) constate que le mode de collaboration dominant est l'IA comme assistant et générateur de contenu, et situe un manque dans les capacités plus larges de co-conception et de partenariat dialogique des enseignants. Talebzadeh (2026) montre que la formation qui associe l'entraînement technique à l'IA au raisonnement pédagogique — construisant une « littératie pédagogique des invites » (encodage du PCK dans les invites) — est ce qui permet aux enseignants de transformer les productions de l'IA en activités de groupe différenciées efficaces.

• Les structures qui construisent la compétence, plutôt que des listes de compétences. Perl-Nussbaum et Finkelstein (2026) ont animé une communauté d'apprentissage interfacultaire bimensuelle de six séances dans un grand département de physique public de type R1 — dix-neuf enseignants sur la série, environ dix à chaque rencontre — où chaque séance s'ouvrait sur des données locales, passait à des tests en petits groupes de l'IA contre de vrais devoirs d'étudiants anonymisés, et se concluait par une discussion collective, produisant un dépôt partagé de cinq entrées plutôt qu'un module de formation. La littératie d'évaluation peut se construire de la même manière par un outil de conception : dans le pilote de Paula et al. (2026), huit coordinateurs de cours expérimentés en STIM et en santé ont accru leur littératie d'évaluation en critiquant les projets d'évaluation d'un GPT personnalisé au regard de référentiels disciplinaires, alors même que les productions manquaient répétitivement le contexte disciplinaire, ignoraient le séquencement des sujets et, dans un cas, véhiculaient des références fabriquées malgré des invites répétées. Les huit ont conservé le jugement académique entre leurs mains et ont refusé l'automatisation de bout en bout, ce qui fait de la critique structurée des projets générés le mécanisme de développement plutôt que l'entraînement à l'outil.

• De courtes séances peuvent faire évoluer l'acceptation sans faire évoluer l'adoption. Mesenhöller et Böhme (2026) ont évalué une séance INSIGHT de trois heures réunissant 100 enseignants allemands du primaire et du secondaire et ont constaté que l'utilité perçue et la facilité d'usage perçue augmentaient toutes deux significativement (utilité t(99) = -3.24, p = .002, d = .32 ; facilité d'usage d = .25), tandis que l'intention comportementale d'utiliser des technologies fondées sur l'IA pour la différenciation ne changeait pas. Les auteurs notent que leurs mesures de référence étaient déjà favorables, si bien qu'un effet plafond est plausible. La lecture pour la conception du développement professionnel est étroite mais utile : une courte séance peut changer la manière dont les enseignants jugent les outils d'IA sans changer leur intention de les utiliser, ce qui est le type de changement qui exige un suivi plutôt qu'un événement ponctuel.

• Les enseignants préfèrent la fluidité mais attribuent l'apprentissage à l'étayage. Sur 41 enseignants, une référence GPT-4o était globalement préférée (21 contre 13), alors que le modèle affiné en trois étapes (identifier, explorer, développer) était plus souvent crédité de l'apprentissage (18 contre 13), et les deux jugements ne concordaient que 39% du temps (Molnar et al. (2026)).

• Le soutien institutionnel : le développement professionnel doit s'accompagner d'une infrastructure institutionnelle (politique, changement institutionnel) pour une adoption durable.

• Les outils de création ne garantissent pas la fidélité pédagogique. Riahi et al. (2026) ont étudié 27 enseignants de collège configurant des chatbots éducatifs dans des ateliers de développement professionnel, analysant les groupes de discussion parallèlement aux journaux de configuration et d'interaction. Les enseignants traitaient le chatbot comme un étayage pédagogique borné par des règles définies par l'enseignant, alors même que l'alignement entre intention et comportement, mesuré d'après les journaux, était plus fort pour la réactivité (88.9%) et le persona (81.5%) que pour les règles (70.4%) et la finalité (59.3%). Les contrôles configurables seuls ne portent pas l'intention pédagogique jusqu'au comportement, si bien qu'exprimer, tester et affiner la pédagogie d'un chatbot constitue lui-même une compétence que l'outillage de création doit soutenir.

Un contre-exemple fondé sur la conception traite la compétence comme situationnelle plutôt que comme un échelon d'une échelle. L'étude fondée sur la conception menée en 2025 par Eyal avec 22 formateurs d'enseignants de l'enseignement supérieur a fait examiner aux participants cinq cadres d'évaluation publiés et co-concevoir une alternative organisée autour de trois axes interconnectés : l'adéquation au contexte (infrastructure, facteurs socioculturels, besoins locaux, stade de développement), les besoins professionnels (discipline, pédagogie, leadership, soutien) et le développement dynamique. Le modèle rejette les niveaux de compétence fixes et autorise une progression non linéaire, et il s'accompagne d'un questionnaire réflexif d'auto-évaluation de 20 items notés de 1 à 5. Sa validation est uniquement qualitative, sans test de fiabilité quantitative, si bien qu'il se présente comme une contribution de conception plutôt que comme un instrument validé.

• Estimation méta-analytique. Guo et al. (2026) ont regroupé 212 tailles d'effet issues de 34 études et estiment le développement professionnel en littératie en IA des enseignants à g = 0.76 (IC à 95% [0.50, 1.02]), au plus fort pour les compétences (g = 0.91) et au plus faible pour les attitudes et les valeurs (g = 0.61) ; la correction de l'apparente sélection par la publication abaisse l'estimation à environ g = 0.49.
• L'assiduité prédit les gains là où le sentiment de participer ne le fait pas. Dans le même programme de six mois, le taux d'assiduité prédisait le gain de compétence (β = .407, p = .001) tandis que la participation auto-perçue ne le faisait pas (β = .049, p = .692), et la discipline, l'expérience d'enseignement et le titre professionnel expliquaient peu ; les auteurs lisent l'assiduité comme un investissement comportemental et la participation perçue comme un engagement de surface (Tan, Cheng & Ling, 2025).
• Les valeurs retardent sur les compétences dans un programme propre à un domaine aussi. Dans un programme d'un an mené à Hong Kong avec 30 enseignants d'anglais, la connaissance des stratégies d'évaluation multimodales est passée de 3.13 à 4.15 sur 5 (η² partiel = 0.571) et la compétence à accompagner les étudiants de 3.05 à 3.98 (0.482), toutes deux significatives, tandis que chaque sous-domaine de valeurs restait statistiquement plat sous un alpha corrigé de Bonferroni de .006. Les enseignants attribuaient les gains à la co-planification au sein de l'établissement et aux rencontres de grappes entre établissements plutôt qu'aux seuls ateliers (Jiang et al., 2026).
• Le microlearning peut développer la compétence en IA des enseignants universitaires. Cechovsky (2026) a affiné deux modules d'enseignement professionnel au fil de deux discussions de groupe en ligne, pour en tirer cinq principes de conception — structure et orientation claires, soutien à l'orientation et à la navigation, segmentation et modularisation, présentation multimodale, et activation de l'apprenant — et a constaté que la navigation sur la plateforme et la localisation des modules constituaient les principaux obstacles pratiques.

La compétence des enseignants en IA et la transformation du rôle enseignant

À mesure que l'IA prend en charge les tâches routinières d'enseignement et d'évaluation, la contribution distinctive de l'enseignant se déplace vers l'orchestration, le jugement et la relation : décider quand et comment l'IA est utilisée, étayer l'agentivité des étudiants et l'usage critique, garantir l'équité, et fournir le soutien social et émotionnel que l'IA ne peut offrir. Cela recadre la compétence de l'enseignant autour de la supervision humaine dans la boucle, du jugement éthique et de l'accompagnement de l'apprentissage autorégulé — en lien avec le rôle de l'enseignant et la prévention de la dépendance excessive.

Implications pour l'IA en éducation

• Évaluer la performance, et pas seulement l'auto-déclaration : la compétence des enseignants devrait être évaluée par la démonstration, étant donné l'écart d'auto-déclaration documenté.

• Former la compétence entière, et pas seulement les outils : le développement professionnel devrait construire ensemble les dimensions technique, pédagogique, d'évaluation et éthique, ancrées dans la théorie de l'apprentissage.

• Construire la confiance en parallèle de la compétence : les attitudes et l'auto-efficacité façonnent l'adoption, si bien que le développement professionnel devrait réduire l'anxiété et construire la confiance par une pratique authentique et soutenue.

• Soutenir la couche institutionnelle : une compétence enseignante durable exige une politique, une gouvernance et des capacités alignées, et non une formation isolée.

• La compétence numérique des enseignants pour la conception de programmes avec l'IA générative. Guillén-Gámez (2026) valide un instrument diagnostique fondé sur le TAM auprès de 434 enseignants en exercice ; l'intention comportementale était le principal prédicteur de la compétence numérique pour l'usage de l'IA générative dans la planification des programmes, avec l'auto-efficacité comme moteur fondamental.

Un instrument psychométrique pour la compétence des enseignants en IA

• Une étude psychométrique a mis au point l'échelle de littératie en IA des enseignants (TAILS) pour mesurer la littératie en IA spécifiquement dans le cadre de la formation des enseignants de langues, en opérationnalisant les six dimensions du cadre ED-AI. L'élaboration de cet instrument comble un manque dans les évaluations qui ciblent les étudiants ou les utilisateurs généraux, en soutenant la mesure de la compétence des enseignants en IA.

Le paysage des instruments a lui-même fait l'objet depuis d'une revue. La revue systématique de Zainal, Mohd Matore et Maat (2026) portant sur les outils de mesure de la littératie en IA des enseignants a évalué 33 instruments publiés entre 2019 et 2025 et a trouvé un champ méthodologiquement monotone : 31 (93.9%) sont des échelles auto-déclarées de confiance perçue, deux seulement (6.1%) testent objectivement les connaissances, et aucun n'utilise de tâches fondées sur la performance. La consistance interne était le domaine de qualité le plus fort (28 instruments sur 33 de grade A) et l'équité le plus faible, cinq instruments (15.2%) rendant compte d'invariance de mesure ou de preuves de fonctionnement différentiel des items. Le contenu retarde aussi sur la technologie, puisque 29 instruments (87.9%) ciblent des concepts généraux d'IA et que seulement quatre (12.1%), tous de 2025, portent sur l'IA générative.

Concepts liés

• Littératie en IA
• Le développement éducatif
• L'enseignement
• L'ingénierie des invites
• Conception pédagogique
• L'étayage
• La métacognition
• Validité de l'évaluation
• L'équité
• L'éthique
• Le sentiment d'efficacité personnelle
• Humain dans la boucle
• L'agence de l'apprenant
• Délestage cognitif
• La politique d'IA en éducation
• L'IA en éducation
• Le savoir technologique, pédagogique et disciplinaire (TPACK)
• Développement professionnel
• Pédagogies et stratégies d'enseignement — Parapluie : pédagogies et stratégies d'enseignement en IA éducative

Articles liés

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Littératie en évaluation multimodale : un programme d'un an où les connaissances et les compétences ont évolué et les valeurs non
• The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis
• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — Développement professionnel Intelligent-TPACK : un demi écart-type de gain, et des gains négatifs qui se lisent comme un recalibrage — The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis
• AILitHub: Building AI Literacy Infrastructure to Situate Frameworks into Practice — Les enseignants ont étiqueté leurs propres cas d'IA en classe et ont atteint aisément les compétences pratiques mais rarement les compétences sociétales et éthiques (Wang et al. 2026)
• Typology of Generative AI Tools for Education — Tool selection as an exercise of educator agency
• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Systematic review of generative AI in K-12 teaching and learning (Marzano 2026)
• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Teacher professional knowledge in K-12 AI education: TAIK vs TPAIK and student learning (Shen et al. 2026)
• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Teacher-AI interaction patterns in lesson design across experience and AI proficiency (Choi et al. 2026)
• Preparing Pre-Service Teachers for Responsible Generative AI Use: Curriculum Implications for Ethics, Privacy, and AI Literacy — L'usage responsable de l'IA générative par les enseignants en formation initiale : implications curriculaires (Kohnke et al. 2026)
• Validating AI-generated classroom observations: Reliability, accuracy, and limits of LLM-based pedagogical judgment — LLM classroom observation for teacher professional development (Melo et al. 2026)
• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — Generative AI across representations, decompositions and approximations: rehearsal, structured feedback and the accuracy cautions
• Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers — Efficacy of an intensive GenAI professional development program
• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — Modeling AI-TPACK through teacher multi-agent workflows
• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Toward synergistic teacher-AI interactions
• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Teacher education for AI literacy through self-determination theory
• Development and evaluation of artificial intelligence literacy training for teacher education students — Design-based research GenAI literacy training
• Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Education — Rethinking GenAI literacy in teacher education
• Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review — Integrating social-emotional competencies with AI literacy
• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — AI adoption among teachers: confidence and support
• Faculty Orientations Shape Adoption of AI in Research and Teaching — Faculty orientations shape AI adoption
• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Misalignment between self-reported and performance-based AI competency
• Effects of an AI-supported inquiry model on AI literacy and authentic performance: A quasi-experimental study with preservice teachers — AI-supported inquiry for pre-service teachers
• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — EPIQ-AI faculty readiness framework
• LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — LLMs for culturally relevant K-12 pedagogy
• A Framework for Institutional Change in the Age of AI — Institutional change framework for AI
• TeachingCoach: A Fine-Tuned Scaffolding Chatbot for Instructional Guidance to Instructors — TeachingCoach chatbot for instructor guidance
• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — GenAI as identity crisis, not skills gap
• Situated AI ethics: a cultural-historical and ecological framework for education
• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Assessing Teacher Digital Competence for GenAI Curriculum Design (Guillén-Gámez 2026)
• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — Étude phénoménographique des conceptions de l'IA chez les enseignants universitaires
• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Cadre de littératie en IA à cinq niveaux et développement professionnel pour les personnels éducatifs du secondaire en Ukraine (Marienko et al. 2026)
• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Teacher–AI co-design of learning tasks: trends and perspectives (Wang et al. 2026)
• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Architecture of roles in AI-designed differentiated group activities (Talebzadeh 2026)
• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations
• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — Prompt engineering and model selection as predictors of AI-feedback quality (Jacobsen et al. 2026)
• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — The AI Guilt Complex: anticipatory guilt and four moral response profiles among academic staff (Vassallo 2026)
• Empowering teachers to use AI for differentiation: changes in teachers’ acceptance of AI-based technologies following participation in a short professional development training session — Une séance de développement professionnel de trois heures a accru l'utilité et la facilité d'usage perçues mais non l'intention déclarée d'adopter (Mesenhöller & Böhme 2026)
• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Systematic review of AI in pre-service primary mathematics teacher training: ethics addressed in only three of eleven studies (Pinto et al. 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — AAC&U/Elon survey of 1,057 US faculty: preparedness, non-use and the individual-vs-institutional policy gap (Watson & Rainie 2026)
• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Collaboratoire interfacultaire : l'intégration de l'IA comme conception pédagogique en formation des enseignants
• Assessing teachers' AI literacy: a systematic review of measurement tools — Systematic review of 33 instruments for measuring teacher AI literacy: 31 self-report, two objective knowledge tests, no performance tasks (Zainal, Mohd Matore & Maat 2026)
• Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model — A design-based adaptive AI literacy model and 20-item reflective questionnaire co-designed with 22 teacher educators (Eyal 2025)
• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community
• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education
• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — Will It Teach as Intended? How Teachers Configure Educational AI Chatbots
• A Capability–Decision Model of teacher readiness for AI integration in teaching — Ordered capability-first teacher readiness model with performance-based capability indicators
• K-12 in-service teachers' beliefs about generative AI in classrooms: insights from the United States, India, Qatar, Colombia, and the Philippines — Cross-national survey of 1,405 K-12 teachers: readiness predicts positive beliefs but not concern
• Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — Four TALIS 2024 teacher belief profiles link professional learning and profile-specific barriers to AI use
• Designing Microlearning Modules on AI for University Teachers in Vocational Teacher Education: A Design-Based Research Study — Conception de modules de microlearning sur l'IA destinés aux enseignants universitaires en formation professionnelle des enseignants : une étude de recherche fondée sur la conception