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

Développement professionnel

Création 2026-08-16 · Mise à jour 2026-10-10

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

Développement professionnel — la préparation et le développement professionnel continu des enseignants, couvrant la formation initiale (programmes de certification initiale) et le développement professionnel en cours d'emploi. Dans la recherche sur l'IA en éducation, la formation des enseignants est devenue une préoccupation centrale, car la littératie en IA des enseignants, leur savoir techno-pédagogique, leur aisance éthique et leur disposition à intégrer l'IA dans l'enseignement déterminent si l'adoption de l'IA dans les classes réussit. Ce concept organise la couverture substantielle que la base de connaissances consacre à la manière dont l'IA refaçonne la préparation, les savoirs, les croyances et la pratique des enseignants, qu'ils soient en formation ou en exercice.

Questions à examiner

  • La formation des enseignants couvre ici la formation initiale (les futurs enseignants dans les programmes de certification) et le développement professionnel en cours d'emploi (les enseignants en exercice). Lequel des deux, selon vous, affronte le défi le plus grand pour préparer les classes à l'IA, et pourquoi ?
  • La page suggère que la formation des enseignants doit les préparer non seulement à utiliser des outils d'IA, mais à les comprendre, les évaluer et les intégrer de manière éthique — un glissement qui « redéfinit ce qu'être enseignant veut dire ». Comment, selon vous, cette redéfinition devrait-elle changer ce qu'enseigne un programme de certification ?
  • Des cadres comme l'AI-TPACK étendent le modèle TPACK classique en y ajoutant une dimension IA et éthique. Que devrait contenir, selon vous, une « dimension IA » du savoir techno-pédagogique disciplinaire, au-delà de la manière de faire fonctionner un agent conversationnel ?
  • Une revue de cadrage de 55 études citée dans la page constate que l'IA améliore la conception pédagogique, la réflexion et la pensée critique des enseignants en formation initiale. Mais si l'IA peut faire une partie de ce travail à leur place, à partir de quand son usage dans la formation des enseignants construit-il une compétence, et à partir de quand se substitstitue-t-il au jugement même dont ils auront besoin ?
  • Si vous redessiniez un programme de formation des enseignants pour l'ère de l'IA, qu'exigeriez-vous que chaque futur enseignant vive — et que lui interdiriez-vous délibérément de déléguer à l'IA ?

Introduction

La formation des enseignants se situe à l'intersection de plusieurs fils de la base de connaissances : elle est une discipline et un domaine (comme l'éducation médicale et l'éducation aux humanités), mais elle s'appuie aussi sur les concepts généraux de rôle enseignant, de TPACK, de compétence IA des enseignants et de littératie en IA. À l'ère de l'IA, la formation des enseignants doit les préparer non seulement à utiliser des outils d'IA, mais à les comprendre, les évaluer et les intégrer de manière éthique — un glissement qui redéfinit ce qu'être enseignant veut dire. Les sciences de l'apprentissage fournissent le savoir que cette formation doit porter : là où ce champ étudie comment les gens apprennent et comment les environnements d'apprentissage devraient être conçus, la formation des enseignants est la formation professionnelle dans laquelle de telles données doivent atterrir comme la capacité propre de l'enseignant à concevoir, enseigner et évaluer.

Les données transversales aux niveaux aiguisent la priorité de conception : une étude multiniveau portant sur 46 enseignants et 2 832 élèves du secondaire a constaté que le savoir pédagogique relatif à l'IA (TPAIK) — et non le savoir technique relatif à l'IA — déterminait la perception qu'avaient les élèves de l'IA pour le bien social ainsi que leur intention d'apprendre l'IA. La formation des enseignants devrait donc mettre au premier plan comment enseigner avec et sur l'IA plutôt que la maîtrise des outils, conformément à la directive « pedagogy first, technology second ».

La formation initiale des enseignants

La formation initiale des enseignants prépare les futurs enseignants pendant leurs programmes de certification. La recherche sur l'IA dans ce fil comprend :

  • Disposition à l'AI-TPACK et à l'Intelligent-TPACK. Des instruments et des cadres mesurent et développent la disposition des enseignants en formation initiale à intégrer l'IA, en étendant le cadre TPACK d'une dimension IA/éthique.(Conceptualizing pre-service teachers' readiness for AI integration into teaching practices: An intelligent-TPACK approach)(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs)

  • Profils d'acceptation, et un paradoxe facilité d'usage/intention. Chen et al. (2026) ont réparti 128 enseignants en formation initiale en quatre groupes d'acceptation de ChatGPT : les Resistant Skeptics (14,06 %) déclaraient une facilité d'usage perçue élevée mais une intention comportementale très faible, si bien qu'une formation aux seules compétences opérationnelles ne les convertit pas.

  • Applications et bénéfices. Une revue de cadrage de 55 études montre que l'IA améliore la conception pédagogique des enseignants en formation initiale, l'enseignement disciplinaire, les compétences pratiques d'enseignement, l'évaluation, la pratique réflexive, la pensée critique, l'intégration des technologies et l'innovation pédagogique.(Harnessing artificial intelligence for preservice teachers' development: A scoping review of applications, benefits, and challenges)

  • Un accès non étayé à l'IA générative a obtenu des scores inférieurs à l'absence d'IA générative. Dans une quasi-expérience de 11 semaines menée auprès de 52 enseignants en formation initiale, la classe à accès non étayé à l'IA générative a produit des plans de leçon notés à la rubrique plus faibles que la classe sans IA générative (86,54 contre 81,87 ajustés, F = 8,348, p = 0,006, η² = 0,146), sans différence entre les groupes en apprentissage autorégulé ni en pensée critique (Zhang et al. (2026)).

  • Robotique éducative et apprentissage automatique. La formation initiale des enseignants intègre des activités de codage, de robotique et de apprentissage automatique (par exemple micro:bit) pour développer la pensée computationnelle chez les futurs enseignants.(Coding, robots, computational concepts, and machine learning using the microbit card and the Maqueen and Nezha kits. A study in initial teacher training)

  • Évaluation authentique et métacognition. Les modèles d'évaluation médiatisés par l'IA (par exemple AAIWA) intègrent l'évaluation authentique fondée sur une rubrique, la rétroaction par IA sensible aux conditions et la réflexion métacognitive dans les programmes de formation initiale.(AI-mediated authentic assessment and metacognitive reflection: A mixed-methods study of the AAIWA model)

  • La démarche d'investigation assistée par l'IA dans l'enseignement des sciences. Une quasi-expérience menée auprès de 48 enseignants de sciences en formation initiale en Türkiye (Aydın) a intégré l'apprentissage par problème et par la conception à un programme d'investigation guidée assisté par l'IA de 8 semaines sur la photosynthèse et la respiration. Elle a produit des gains significatifs dans la compréhension conceptuelle des deux processus biologiques, mais aucun effet significatif sur la littératie en IA ni sur la pensée computationnelle auto-perçue — un rappel que l'AI-IBL peut approfondir la compréhension disciplinaire chez les candidats enseignants sans construire automatiquement leurs compétences en IA et en pensée computationnelle, qui exigent une conception explicite et ciblée.

  • L'IA générative au service d'une conception pédagogique constructiviste. Le modèle SAHAB est une intervention de développement professionnel quasi-expérimentale dans laquelle l'IA générative habilite les enseignants à concevoir un enseignement constructiviste, avec des gains importants (d = 1,18). Elle montre que l'IA générative peut étayer la conception pédagogique pour les candidats enseignants comme pour les enseignants en exercice — et pas seulement livrer des contenus, mais soutenir la conception d'activités d'apprentissage centrées sur l'élève.

  • La formation à la classe intelligente pour des étudiants de mathématiques en M.Ed. Zhu, Liang, Mao et Wang (2026) montrent comment un cours de M.Ed. en mathématiques peut être enrichi de technologies éducatives intelligentes (correction automatisée, recommandations personnalisées, rétroaction multi-IA) à travers les étapes avant, pendant et après la classe, produisant des gains statistiquement significatifs dans la compétence à concevoir des objectifs pédagogiques. Le modèle transférable D-T-E (Disciplinary Demand–Technological Empowerment–Evaluation Loop) offre aux formateurs d'enseignants un cadre propre à la discipline pour intégrer l'éducation intelligente à la formation des enseignants de niveau graduate.

  • L'adoption sous une politique permissive est plus mince que ne le suggèrent les enquêtes, et la littératie évaluative ne se transfère pas. Zou et al. (2026) ont enquêté sur 85 étudiants enseignants inscrits dans trois cours de formation des enseignants à Hong Kong où l'IA générative était explicitement autorisée dans l'évaluation : 62,4 % (53) ont choisi de ne pas l'utiliser du tout, et l'usage des adoptants était superficiel et correctif (relecture orthographique 43,8 %, vérifications de clarté 34,4 %, génération de texte 18,8 %, remue-méninges 12,5 %). La crainte d'être accusé à tort de plagiat (41,5 % des non-adoptants) et la préférence pour le travail solitaire (77,4 %) l'emportaient sur le manque de compétences (13,2 %), et neuf des onze personnes interrogées lisaient la politique permissive comme un possible « piège » — autant d'indices que les enseignants en formation initiale apportent à des travaux autorisant l'IA une anxiété d'intégrité, et pas seulement une disposition à l'outil.

  • La rédaction de politiques d'IA en classe comme loupe sur la pensée des enseignants en formation. Nash & Burriss (2026) ont demandé à 27 enseignants d'anglais du secondaire en formation, en année de projet de fin d'études d'un programme de préparation à l'enseignement de l'anglais au secondaire, de rédiger les politiques d'IA qu'ils emploieraient dans leurs propres classes de la 6e à la 12e année, dans un État dépourvu d'orientation étatique sur l'IA. 26 des 27 autorisaient un certain usage de l'IA, presque toujours restreint à des tâches, des moments et des lieux spécifiés par l'enseignant, et un seul l'a interdite purement et simplement pour des raisons éthiques liées aux pratiques de travail et au droit d'auteur ; 22 autorisaient l'IA à générer des idées tandis que 22 interdisaient ou laissaient flou l'usage de l'IA pour composer des phrases, des paragraphes ou des dissertations, et les réflexions qui accompagnaient ces politiques se lisaient comme des négociations entre des engagements pédagogiques et une obligation ressentie d'intégrer l'IA. Demander à des enseignants en formation de rédiger une politique — plutôt que de débattre de l'IA dans l'abstrait — a fait émerger leurs philosophies, leurs croyances et leurs présupposés curriculaires, faisant de la rédaction de politiques une activité à haute valeur ajoutée pour les cours de didactique.

  • La politique ne régit pas la pratique. Quatre semestres de données d'enquête issus d'un programme de formation des enseignants aux États-Unis montrent l'usage de l'IA générative pour la préparation à l'évaluation passer de 57 % à 83 % et pour l'étude de 44 % à 76 %, alors même que les institutions envisageaient des logiciels de détection de l'IA, l'incertitude éthique croissant d'une vague à l'autre (Parker et al. (2026)).

Le développement professionnel en cours d'emploi

Le développement professionnel en cours d'emploi accompagne les enseignants en exercice dans l'intégration de l'IA. La recherche sur l'IA dans ce domaine comprend :

  • Les cadres de DP fondés sur l'Intelligent-TPACK. Un cadre informé par la recherche aligne les cinq domaines de savoir de l'i-TPACK sur quatre voies de DP fondées sur des données probantes (apprentissage actif, modèles et exemples, accompagnement, rétroaction et réflexion).(Designing effective AI professional development: A framework grounded in intelligent-TPACK)

  • Le savoir techno-pédagogique (TPK) propre à l'IA générative. Les formateurs d'enseignants ont eux-mêmes besoin d'un GenAI-TPK — raisonnement pédagogique, sensibilité éthique et conception pédagogique augmentée par l'IA — pour préparer les enseignants.(Teaching the teachers: A systematic review of genAI-specific technological pedagogical knowledge (TPK) in teacher education)

  • La littératie en IA centrée sur l'humain et critique. La recherche fondée sur la conception produit des curricula d'apprentissage professionnel qui opérationnalisent une littératie critique en IA à travers des activités d'IA centrées sur l'humain, y compris des tâches où l'éducateur est dans la boucle.(Human-centered AI for teacher educators: Designing professional learning for critical AI literacy)

  • La capacité se construit en faisant, non en étudiant. Un modèle structurel fondé sur le TPACK, portant sur 122 enseignants en exercice, a constaté que l'usage réel de l'IA sur des tâches de sciences et d'énergie verte et la participation à l'élaboration de matériels alignés sur l'EDD prédisaient la capacité d'intégration de l'IA, tandis que la connaissance abstraite de l'IA et les attitudes envers l'IA ne la prédisaient pas (Riandi et al. (2026)).

  • L'évaluation collaborative des contenus générés par l'IA comme DP. Gat, Usher et Barak (2026) rendent compte d'un atelier dans lequel 60 enseignants de sciences du collège ont évalué des questions d'évaluation générées par ChatGPT à travers leur jugement disciplinaire, pédagogique et curriculaire. L'évaluation collaborative a elle-même fonctionné comme un développement professionnel, aidant les enseignants à appliquer des critères de précision conceptuelle aux productions de l'IA et à faire apparaître le risque que les contenus d'IA renforcent les idées fausses — positionnant les enseignants comme des évaluateurs critiques du matériel d'IA générative plutôt que comme des consommateurs passifs.

  • Un DP structuré pour les éducateurs en langues est rare mais efficace. Une revue systématique de 23 études (Li et al. 2026) a montré que seules trois études incluses rapportaient un développement professionnel structuré — un module intégré à un cours de grammaire, un programme gouvernemental d'enseignement en anglais médium (EMI) et une investigation intégrée par agent conversationnel — et que toutes convergeaient pourtant vers des gains de connaissance, de confiance et de reformulation de l'identité, faisant passer le regard des éducateurs sur l'IA générative d'un « risque de remplacement » à celui d'assistant et d'amplificateur. La revue soutient que le DP devrait associer le renforcement des compétences techniques à la sagesse pratique, en allant de la sensibilisation et de l'éthique vers la maîtrise pratique des outils puis la co-conception de leçons augmentées par l'IA, et recommande une stratégie de mise en œuvre en deux phases « d'abord l'infrastructure, ensuite la classe ».

Le plus net exemple, dans la base de connaissances, de DP sur l'IA générative piloté par un cadre en mathématiques est une étude portant sur huit enseignants en exercice issus de districts ruraux et sous-équipés qui ont suivi dix modules interactifs construits sur le cadre 4P de Rhodes (How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge). Elle fournit deux mécanismes de conception dont le DP en cours d'emploi manque par ailleurs ici : un étayage qui s'efface délibérément (guidage explicite au début, puis demandes de justifier, de généraliser et de concevoir des tâches) et un raisonnement d'élève simulé à travers les modules 6 à 10, ainsi que le constat que MC, CK et PCK évoluaient ensemble — tout en ne mesurant que l'engagement, et non le savoir des enseignants ni l'apprentissage des élèves.

  • Les programmes post-certification. La littératie en IA et l'usage qu'en font les éducateurs scientifiques en exercice éclairent la conception de programmes post-certification liés à l'IA.(Science educators' AI literacy and AI usage in teaching: Implications for post-qualification programs)

  • Le soutien et l'accompagnement de l'IA dans le travail de conception des enseignants. Pishtari, Gnadlinger et Ley (2026) ont demandé à 13 enseignants de l'enseignement supérieur de concevoir des activités dans des conditions sans IA, avec agent conversationnel d'IA, et avec IA plus formation, dans le cadre d'un programme d'une demi-journée. L'accès à l'IA a augmenté l'atteinte de tâches d'ordre supérieur (taxonomie de Bloom) et réduit l'effort cognitif perçu, tandis que la séance de formation interactionnelle subséquente stabilisait la qualité mais augmentait légèrement l'effort (charge pertinente ou superflue non tranchée). Les auteurs formulent que le DP pour l'enseignement à l'ère de l'IA a besoin à la fois de cadres de conception ancrés dans la pédagogie (Bloom, ICAP) et de stratégies structurées d'interaction avec l'agent conversationnel, tout en avertissant que les gains de qualité peuvent masquer un délestage des décisions pédagogiques vers l'IA.

Savoirs, croyances et pratique

Un constat clé de la recherche sur la formation des enseignants est l'écart entre ce que les enseignants énoncent et ce qu'ils mettent en œuvre : ils déclarent souvent des compétences opérationnelles en IA mais peinent à appliquer en pratique des savoirs pédagogiquement signifiants.(Beyond operational skills: Teachers' AI knowledge and interactions with generative AI in lesson planning) La distinction est encore plus profonde lorsque l'expérience est croisée avec la maîtrise de l'IA : Choi et al. (2026) ont constaté que des novices techniquement fluents acceptaient encore passivement les productions de l'IA lors de la conception de leçons, tandis que les enseignants expérimentés — même ceux dont la maîtrise mesurée de l'IA était plus faible — reformulaient et adaptaient de manière critique les suggestions de l'IA à leurs élèves et à leur contexte. L'implication est que le DP en cours d'emploi ne peut traiter « bâtir une compétence en IA » comme suffisant ; il doit être différencié selon le profil d'expérience et de maîtrise de l'enseignant — des étayages d'évaluation des réponses et d'adaptation critique pour les novices, un renforcement pratique des compétences en IA pour les enseignants expérimentés dont la maîtrise de l'IA est plus faible. Le jugement d'experts sur les plans de leçon générés par l'IA marque cette posture d'adaptation critique comme la norme, et non l'exception : Karaismailoglu, Surmeli et Yildirim (2026) ont constaté que onze spécialistes turcs de l'éducation scientifique ont jugé les plans de ChatGPT-4 et de Teacher's Buddy pour une unité de sixième année comme des ébauches utilisables — 7 des 11 les jugeant « applicables après correction », et seulement 3 directement « applicables » — et que leurs préférences divergeaient des scores bruts, privilégiant les qualités affectives et contextuelles à la fidélité structurelle. La formation des enseignants devrait donc construire la capacité à évaluer, adapter et localiser les matériels pédagogiques générés par l'IA comme une compétence professionnelle centrale, tant dans les programmes de formation initiale qu'en cours d'emploi. Les facteurs psychologiques comptent aussi — l'auto-efficacité prédit positivement l'AI-TPACK, tandis que de fortes croyances traditionnelles sur l'enseignement peuvent agir comme une barrière cognitive.(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs) La confiance envers l'IA est façonnée à la fois par le savoir technique et par les perceptions éthiques (transparence, équité, responsabilité, inclusivité).(Unpacking ethics-domain of intelligent-TPACK scale in relation to in-service teachers' trust and distrust) La mesure de la littératie en IA des enseignants est elle-même un front actif : parce que la plupart des évaluations de littératie en IA ciblent les étudiants ou le grand public, l'échelle de littératie en IA des enseignants (Teachers' AI Literacy Scale, TAILS) — fondée sur le cadre ED-AI à six dimensions — a été élaborée et validée spécifiquement pour les enseignants de langues en formation initiale (enseignants de langues en formation initiale) par analyse factorielle exploratoire et confirmatoire, comblant le manque de mesure au sein de la formation des enseignants. Une question tout aussi négligée est de savoir si le mode de préparation change la disposition à l'IA. Mnguni et al. (2026) ont enquêté sur 186 étudiants enseignants de sciences en dernière année en Afrique du Sud et ont constaté que le TPACK auto-déclaré pour un enseignement intégrant l'IA était plus élevé dans une université sur campus (64,0 %) que dans une université d'enseignement à distance (47,4 %), le savoir pédagogique étant le plus faible dans les deux cas, et que la formation à l'IA n'était associée au TPACK auto-déclaré que dans l'institution à distance, où un court cours de cinq crédits prédisait un TPACK déclaré plus faible que l'absence de formation. La préparation à distance a donc besoin de son propre corpus probant, plutôt que de supposer que la formation conçue pour les programmes sur campus se transfère.

La pratique pédagogique simulée

Au-delà des contenus et des croyances, la préparation des enseignants recourt de plus en plus à des classes simulées pour une pratique concrète qui passe à l'échelle. EducaSim utilise des agents-élèves génératifs (dotés de personas, de mémoires ancrées dans le cours, et d'un oracle de discours LLM en position de juge) pour simuler une section en petits groupes destinée à des enseignants en formation dans un cours CS1 comptant environ 20 000 étudiants. Déployé comme outil de préparation facultatif sur 254 sessions (moyenne d'environ 16 min), il offre une pratique de jeu de rôle à faible coût (0,05–0,10 $ par session) avec une rétroaction structurée après la session (statistiques de temps de parole, comportements pédagogiques identifiés par le LLM) et des invitations à l'auto-réflexion. Cela complète le paradigme de la simulation d'élèves : les apprenants simulés ne servent pas seulement à l'évaluation, mais aussi à une préparation des enseignants expérientielle et à haute fréquence, en particulier pour les cours en ligne massifs où l'accompagnement en direct ne passe pas à l'échelle. Une instance propre à une discipline est Student GPT (Zhuang & Zhang 2025), un agent conversationnel ChatGPT personnalisé qui joue le rôle d'un élève du collège porteur d'idées fausses courantes sur le raisonnement proportionnel ; des enseignants de mathématiques du secondaire en formation initiale se sont exercés à diagnostiquer et à remédier à ces idées fausses dans des interactions personnalisées et à faible risque, dans le cadre d'un cours de didactique, montrant comment un jeu de rôle léger fondé sur l'IA générative peut soutenir un enseignement fondé sur la pratique.

Implications pour les formateurs d'enseignants

  • Construire à la fois la littératie en IA et un AI-TPACK critique. Les enseignants en formation initiale et en exercice ont besoin d'une disposition à intégrer l'IA — des instruments étendent le TPACK d'une dimension IA/éthique (AI-TPACK, DP fondé sur l'i-TPACK) ; enseignez le raisonnement éthique, la transparence et l'équité parallèlement à l'usage des outils.

  • Combler l'écart entre énoncé et mise en œuvre. Les enseignants déclarent souvent des compétences opérationnelles en IA mais peinent à les appliquer pédagogiquement ; concevez un DP qui aille du savoir à la pratique mise en œuvre (conception de leçons).

  • Utiliser la pratique simulée pour faire passer la préparation à l'échelle. Les classes simulées de type EducaSim offrent aux enseignants en formation une pratique à faible coût et à haute fréquence, avec rétroaction — un complément à un accompagnement en direct limité.

  • Prendre en charge les croyances et la confiance. L'auto-efficacité prédit l'AI-TPACK tandis que de fortes croyances traditionnelles sur l'enseignement peuvent être une barrière, et la confiance est façonnée par la transparence et l'équité — prêtez attention à ces facteurs psychologiques, et pas seulement aux compétences.

  • Revenir sur les dilemmes de classe. Kohnke et al. (2026) ont interrogé 17 enseignants en formation initiale dans une université de Hong Kong et sont remontés, depuis les dilemmes de classe anticipés, jusqu'aux besoins de conception de la formation des enseignants. Les enseignants en formation initiale ont exprimé des préoccupations portant sur l'intégrité académique, la confidentialité et la préservation des compétences humaines essentielles dans un environnement marqué par l'IA générative, pointant des implications curriculaires qui tissent l'éthique, la confidentialité et la littératie en IA (avec des compétences de pensée critique) tout au long de la préparation des enseignants, plutôt que de traiter l'usage responsable comme un supplément.

  • L'IA comme médiateur cognitif de la réflexion enseignante (2026) : un modèle triangulaire de la réflexion fondé sur la pratique utilise l'IA pour faire médiation entre la réflexion individuelle de l'enseignant et le savoir professionnel partagé au sein de communautés d'apprentissage, en réponse à l'échec fréquent de la réflexion à se transformer en apprentissage professionnel collectif (The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development).

  • Faire de la conception de l'évaluation avec l'IA générative une part du travail curriculaire professionnel. Les étudiants enseignants de Zou et al. (2026) ont montré peu d'intention de repenser leurs propres évaluations scolaires futures en réponse à l'IA générative, et les participants du maternel et du secondaire ont largement jugé la technologie sans pertinence pour leur propre contexte d'enseignement — une dimension sous-développée de la littératie évaluative plutôt qu'un manque de savoir. Les programmes de formation des enseignants devraient donc intégrer l'usage éthique de l'IA générative dans la conception de l'évaluation comme une part du programme professionnel, en associant la cohérence de la politique au niveau du programme à des exemples concrets d'usages acceptables et inacceptables, ainsi qu'à une rétroaction opportune sur l'usage réel de l'IA par les étudiants.

  • Séparer le travail délégable du travail non délégable. O'Byrne (2026) a constaté que 23 étudiants de premier cycle, pour la plupart des enseignants en formation initiale, produisaient des artefacts comparables, qu'ils soutiennent un travail de délimitation ou qu'ils le délèguent tôt, et que la « tension sur la tricherie » autour de la qualité d'auteur était la plus forte chez ceux qui faisaient le plus de travail de délimitation — l'objectif pédagogique est donc de juger quel travail interprétatif il ne faut pas confier.

  • Faire de la rédaction de politiques d'IA en classe une activité centrale de la formation des enseignants, et traiter l'ambiguïté comme un défaut de politique. Nash & Burriss (2026) ont constaté que demander à des enseignants en formation d'écrire leurs propres politiques d'IA en classe fonctionne comme une construction rhétorique du monde quant à la finalité de l'écriture — une fenêtre sur des croyances émergentes que la discussion abstraite n'ouvre pas. Parce que l'IA sépare l'écriture-comme-produit de l'écriture-comme-processus, les programmes devraient aider les enseignants à situer où vivent réellement la pensée, l'apprentissage et la valeur à travers le remue-méninges, la rédaction, la révision et l'édition, plutôt que de situer la pensée uniquement dans le texte final, et devraient les accompagner pour traduire leurs croyances en règles opérationnelles et non ambiguës associées à un enseignement de la littératie en IA : des contradictions comme interdire le texte généré par l'IA tout en tenant les étudiants responsables des contenus générés par l'IA qu'ils soumettent rendent les étudiants incapables de s'y conformer.

Concepts liés

Articles liés

FAQ liées

Métadonnées

NiveauTeacher Education, K 12, Adult Learning
Public viséInstructors
Fondements de l'IA dans l'éducationLittératie en IA, L'enseignement, Le savoir technologique, pédagogique et disciplinaire (TPACK)
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.