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

L'enseignement

Création 2026-08-09 · Mise à jour 2026-10-10

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

L'enseignement (Teaching) — la manière dont l'IA reconfigure le travail, l'identité et l'agentivité des éducateurs. Avec plus de 50 articles examinant cette dimension, la base de connaissances documente une transformation fondamentale : d'autorité unique du savoir à orchestrateur d'environnements d'apprentissage humain-IA. Cette page va au-delà de la description de ce glissement — elle détaille ce que les enseignants font réellement différemment, comment ils peuvent adapter leur pratique, et comment ils se relient à la conception pédagogique, à la littératie en IA et à l'intégrité académique.

Malyn-Smith et al. (2026) appellent cela le paradoxe du plus-humain : dans six scénarios 2030 co-construits par 20 chercheurs issus de 13 pays, la saturation par l'IA intensifie plutôt qu'elle ne déplace le travail pédagogique humain. Les scénarios décrivent l'IA comme « le système de traitement de l'air de l'écosystème d'apprentissage » — on ne la remarque que lorsqu'elle fonctionne mal.

Questions à examiner

  • La page décrit le glissement de l'enseignant « d'autorité unique du savoir à orchestrateur d'environnements d'apprentissage humain-IA ». Que gagnez-vous et que perdez-vous en tant qu'éducateur lorsque vous cessez d'être la principale source de contenus ?
  • Elle soutient que l'IA réaffecte la ressource la plus rare d'un enseignant — l'attention — de la production de matériaux à l'interprétation des apprenants. Ce recadrage vous paraît-il juste, et que feriez-vous réellement du temps récupéré ?
  • Les recherches citées sur la page montrent les enseignants comme des concepteurs actifs de l'IA — écrivant les invites et les étayages qui façonnent la manière dont l'IA se comporte pour leurs étudiants — plutôt que comme des consommateurs passifs. Que faudrait-il pour que vous (ou des enseignants que vous connaissez) vous sentiez concepteur de l'IA plutôt qu'utilisateur ?
  • À l'extrémité du spectre de l'« association enseignant-IA », l'enseignant orchestre une équipe d'apprenants humains, de tuteurs IA et de ressources curriculaires. Où le jugement humain demeure-t-il irremplaçable dans cette équipe, et qu'est-ce qui pourrait s'éroder silencieusement si l'orchestration est laissée pour l'essentiel à l'IA ?
  • Si l'attention de l'enseignant est réaffectée de la production de matériaux à l'interprétation des apprenants, quelles nouvelles compétences et quels nouveaux risques cela introduit-il — et qui soutient l'enseignant dans leur développement ?

Introduction

L'enseignement désigne ici le rôle professionnel tel que l'IA le reconfigure : moins de transmission de contenus, davantage d'orchestration de participants humains et machiniques, d'interprétation de ce que les apprenants comprennent réellement, et de conception des conditions dans lesquelles l'usage de l'IA est légitime. Les pages rassemblées sous ce concept documentent l'association enseignant-IA et l'évolution des flux de travail, les compétences que le rôle exige désormais, et la tension entre les gains d'efficacité et l'attention que requiert le soutien individuel. Il se situe aux côtés du développement professionnel, de la littératie en IA et de l'évaluation comme l'un des rôles qui déterminent si l'intégration de l'IA change la pratique ou se contente de la décorer. Les sciences de l'apprentissage sont le champ de recherche dont les données probantes reconfigurent cette position : elles décrivent et testent comment l'apprentissage se produit et quelles conceptions le font évoluer, tandis que cette page couvre le rôle en classe qui doit agir sur ces données probantes dans l'instant.

Comment l'IA transforme l'enseignement

  • De l'enseignant à l'orchestrateur : les cinq niveaux d'association enseignant-IA et les recherches sur l'orchestration de l'agentivité cartographient le spectre allant de l'IA comme outil à l'IA comme partenaire d'enseignement. À l'extrémité du spectre, l'enseignant orchestre une équipe qui réunit des apprenants humains, des tuteurs IA et des ressources curriculaires, plutôt qu'il ne transmet lui-même tous les contenus.
  • La transformation des flux de travail : les travaux sur l'évolution des flux de travail enseignant documentent la manière dont l'IA déplace le temps de l'enseignant de la transmission de contenus vers des activités de plus haute valeur comme le soutien individuel, la rétroaction et la conception de programmes. La ressource la plus rare de l'enseignant — l'attention — est réaffectée de la production de matériaux à l'interprétation des apprenants. Une revue systématique des enseignants de langues (Li et al. 2026) le corrobore : les éducateurs valorisent le plus l'IA générative pour le travail préparatoire (planification des leçons, création de matériaux, soutien à l'écriture) tout en hésitant sur son usage en direct en classe, et leur adoption est façonnée par des facteurs d'identité professionnelle, pédagogiques, techniques, institutionnels et d'intégrité académique — avec des écarts de compétence correspondant à l'episteme (comprendre les capacités et les limites de l'IA), à la techne (ingénierie des invites, conception de tâches et d'évaluations augmentées par l'IA, détection des textes générés par l'IA) et à la phronesis (jugement éthique, traitement des biais et de la vie privée, jugement sensible au contexte). Documente la manière dont l'IA déplace le temps de l'enseignant de la transmission de contenus vers des activités de plus haute valeur comme le soutien individuel, la rétroaction et la conception de programmes. La ressource la plus rare de l'enseignant — l'attention — est réaffectée de la production de matériaux à l'interprétation des apprenants.
  • Les exigences de compétence : les cadres de compétence des enseignants en IA définissent ce que les éducateurs doivent savoir, de la fluidité élémentaire dans l'usage des outils à l'orchestration pédagogiquement fondée. Les études sur l'adoption identifient les véritables obstacles : la confiance, le soutien institutionnel et les inquiétudes quant à la charge de travail. Bai & Hsieh (2026) y ajoutent un poids empirique dans un SEM portant sur 898 enseignants universitaires chinois : l'innovation pédagogique soutenue par l'IA générative dépend moins de connaissances technologiques isolées sur l'IA que d'une compétence en IA pédagogiquement et disciplinairement ancrée (la littératie en IA et l'identité professionnelle), toutes deux médiatisant partiellement la relation compétence → innovation — un signal enjoignant de construire le développement du corps enseignant autour d'une compétence en IA ancrée et liée à l'identité, plutôt qu'autour d'un simple entraînement aux outils.
  • La préparation comme capacité de conception, non comme attitude : Charles (2026) soutient que la préparation des enseignants à un apprentissage interactif riche en IA ne peut se lire dans l'adoption, la confiance ou la compétence numérique, car aucune de ces variables ne prédit la qualité des conceptions que les enseignants produisent réellement. La préparation par la conception est orientée vers l'action : les enseignants mobilisent les connaissances pédagogiques liées à l'IA, les croyances pédagogiques, l'auto-efficacité et l'orientation éthique par la médiation de la conception (sélection des outils, conception des tâches et des invites, étayage, transparence, vérification, refonte de l'évaluation, planification de l'accessibilité et supervision humaine) au sein d'une écologie institutionnelle et politique qui rend possible et modère cette traduction. Deux affirmations ont un poids pratique. L'auto-efficacité est une ressource de mobilisation plutôt qu'un indicateur de qualité, si bien que la confiance sans connaissances pédagogiques liées à l'IA ni orientation éthique peut accélérer une mauvaise conception. Et la clarté de la politique et le soutien matériel sont des modérateurs distincts, si bien qu'une école bien dotée en ressources peut néanmoins laisser les enseignants dans l'ignorance de ce qui est permis. Charles refuse aussi d'assimiler le non-usage à un manque de préparation : une décision raisonnée de retenir l'IA peut elle-même démontrer une préparation.
  • La co-conception et l'agentivité : les invites rédigées par les enseignants et le vibe coding pour les enseignants montrent les éducateurs comme des concepteurs actifs de l'IA, et non des consommateurs passifs — écrivant les invites et les étayages qui façonnent la manière dont l'IA se comporte pour leurs étudiants. Dans la planification de leçons d'arts STIM pour les enfants, Luo et Tahir (2025) ont confirmé expérimentalement que la manière dont l'enseignant délègue à ChatGPT compte : combler les lacunes de contenu dans une leçon esquissée par l'enseignant lui-même (la méthode privilégiée par 60% et recommandée) préservait l'autonomie de conception de l'enseignant tout en élevant la qualité des plans évaluée par des experts (médiane 20.5 contre 17.6, p = .002, effet de grande taille), surpassant la génération par l'IA de plans entiers ou la simple vérification d'un plan achevé. L'IA a surtout servi de collaborateur d'inspiration et de repérage des lacunes plutôt que de source d'innovation pleinement originale — renforçant le fait que l'enseignant demeure l'agent de conception et le juge des productions, y compris pour repérer les défauts de sécurité enfantine et de biais culturels que l'outil avait manqués. Une revue systématique de la co-conception enseignant-IA de tâches d'apprentissage (Wang, Liu & Islam 2026) constate que cette posture de co-concepteur demeure inégale — le mode dominant reste l'IA comme assistant et générateur de contenu — et Talebzadeh (2026) montre que l'agentivité de l'enseignant comme « concepteur pédagogique bilingue » est ce qui transforme les activités de groupe conçues par l'IA en enseignement différencié et aligné sur la ZPD.
  • Créer un robot n'est pas la même chose que contrôler ce qu'il enseigne. Vingt-sept enseignants de collège ayant configuré un outil de création de chatbot fondé sur des finalités et des règles n'ont obtenu qu'une fidélité partielle du comportement généré — l'alignement tombait de 88.9% pour la réactivité et 81.5% pour le persona à 70.4% pour les règles et 59.3% pour la finalité, et l'adhésion aux règles variait selon le modèle choisi — l'écart d'exécution/évaluation qui fait du rôle d'enseignant-concepteur une répétition de l'intention plutôt qu'une garantie de celle-ci (Riahi et al. (2026)).
  • La préparation en formation initiale : la formation fondée sur le TPACK et les programmes de développement professionnel préparent les futurs enseignants aux classes augmentées par l'IA avant qu'ils n'y entrent. Le jeu de rôle avec étudiant simulé prolonge cela par la pratique concrète : un robot ChatGPT personnalisé (Student GPT) jouant le rôle d'un collégien en proie aux idées fausses en mathématiques permet aux enseignants en formation initiale de s'exercer à diagnostiquer et à guider le raisonnement des étudiants dans un cadre à faible risque, les préparant à une tâche d'enseignement centrale — lire et remédier la pensée des étudiants.
  • Une frontière côté enseignant que la base de données probantes a à peine abordée : Štefánik et al. (2026) rassemblent les Edustories, 1,492 études de cas rédigées par des enseignants portant sur de vraies classes d'école élémentaire et de lycée — comportement étudiant problématique, intervention tentée par l'enseignant, et ce qui s'en est suivi — précisément parce que l'essentiel de la recherche sur l'IA en éducation a ciblé l'assistance individualisée aux étudiants, alors que l'essentiel de l'enseignement se déroule dans des classes collectives. Leur étalonnage de quatre familles de modèles de langue sur la prédiction du succès d'une intervention a montré que les modèles les plus forts atteignaient 58% d'exactitude contre 64% pour les experts humains ; les auteurs lisent cet écart dans les deux sens, comme une limite de l'assistance actuelle côté enseignant et comme un signe de potentiel émergent. Ce que la page en retire est un plafond mesuré plutôt qu'une affirmation de capacité : les conseils aux enseignants doivent être meilleurs que le jugement d'experts avant de pouvoir être dignes de confiance, et aujourd'hui l'ordre est inverse. Un écart parallèle apparaît dans la revue PRISMA de Yalçın et al. (2026) portant sur 46 études empiriques de l'IA générative dans l'enseignement supérieur de la programmation : les rôles des enseignants et les pratiques institutionnelles figuraient parmi les domaines les moins étudiés du champ, et 26 des 46 études ne donnaient aucune description codable de leur approche pédagogique, si bien que les décisions de conception qui ont produit les résultats rapportés sont souvent invisibles même aux autres enseignants.
  • Là où l'IA entre réellement dans le travail, par tâche : Holster (2026) sépare l'adoption de l'allocation en utilisant les données de TALIS 2024 portant sur 56,669 enseignants, avec un échantillon d'allocation de 24,058 utilisateurs d'IA répartis sur 46 systèmes éducatifs. Une tâche notée un point au-dessus de la demande moyenne propre à un enseignant avait plus de chances de recevoir une aide de l'IA (OR = 1.163), mais la direction diffère selon la tâche : la planification augmente avec la demande (OR = 1.084), l'évaluation et la correction diminuent (OR = 0.921), et le soutien à l'éducation spécialisée et l'adaptation augmentent fortement (OR = 1.442, une répartition prédite allant de 34.0% à 50.3% sur l'étendue de la demande). La lecture en termes de compétence et de politique est que les enseignants gardent déjà humaine la correction à fort enjeu, tout en recourant à l'IA pour le travail d'adaptation individualisé, si bien qu'une guidance qui traite l'usage de l'IA par les enseignants comme un comportement unique manquera l'endroit où le soutien est réellement nécessaire.

À quoi ressemble concrètement le rôle changeant : des exemples

L'abstraction « orchestrateur » se saisit plus aisément à travers des glissements concrets et quotidiens du travail de l'enseignant :

  • De la rédaction de chaque support à la curation de brouillons générés par l'IA. Un enseignant qui consacrait autrefois une soirée à la construction d'une fiche de travail différenciée demande maintenant à une IA de produire trois versions à différents niveaux de difficulté, puis consacre la même soirée à les examiner et à les adapter — un glissement de la rédaction vers le jugement éditorial. Les flux de travail Curriculum-as-Code rendent ce pipeline explicite, et la revue systématique de Kibar & Ilgaz montre l'IA agissant comme une « collègue » qui rédige des contenus que le concepteur affine ensuite. La validation par des experts de plans de leçon de sciences générés par l'IA rend explicite ce que ce jugement éditorial doit peser : Karaismailoglu, Surmeli et Yildirim (2026) ont constaté que onze spécialistes de l'enseignement des sciences avaient jugé les plans de sixième année de ChatGPT-4 et d'un outil centré sur l'éducation comme des brouillons utilisables — 7 sur 11 les jugeant « applicables après correction », seulement 3 directement « applicables » — et que les préférences divergeaient des scores bruts (7 préféraient l'outil centré sur l'éducation au score le plus élevé, 4 le plan généraliste) parce que le jugement pesait des dimensions affectives et contextuelles au-delà de la fidélité structurelle. Les enseignants demeurent les arbitres de la décision de faire ou non d'un brouillon d'IA une leçon enseignable et ancrée dans son contexte.
  • Du cours magistral à l'accompagnement en temps réel. Plutôt que de délivrer la même explication à toute la classe, les enseignants acheminent de plus en plus les questions routinières vers un tuteur IA et concentrent le temps en présentiel sur les étudiants qui nécessitent un jugement humain — les études sur les flux de travail documentent précisément cette réaffectation de l'attention.
  • De la correction à la conception d'évaluations que l'IA ne peut contourner. Les enseignants cessent de s'appuyer sur des tâches fondées sur le rappel que les LLM résolvent trivialement pour concevoir à la place des évaluations authentiques, des barèmes d'évaluation et des tâches formatives qui préservent les gains d'apprentissage.
  • De l'enseignement des contenus à l'enseignement de l'usage. Le travail de l'enseignant inclut de plus en plus le fait de montrer comment formuler des invites, évaluer et utiliser l'IA de manière responsable — un curriculum de littératie en IA tissé dans chaque cours, et non une matière séparée.
  • De la lecture des tableaux de bord à l'action sur ceux-ci — de manière contextuelle. Mejia-Domenzain et al. (2026) montrent que la manière dont les enseignants utilisent réellement les tableaux de bord analytiques diverge selon le contexte : les enseignants en classe inversée (université) suivaient une exploration séquentielle et privilégiaient l'adaptation au niveau du cours et la présentation des tableaux de bord en classe, tandis que les enseignants professionnels revenaient aux pages de synthèse et utilisaient l'outil principalement pour des séances d'accompagnement individuel. Les actions que les enseignants proposaient étaient façonnées par le contenu représenté et leur niveau d'enseignement plutôt que par le type de graphique — les enseignants universitaires privilégiaient les tests hebdomadaires et l'adaptation du cours, les enseignants professionnels l'accompagnement direct et individualisé. Cela plaide pour une conception de tableaux de bord sensible au contexte et pour des besoins de soutien différenciés des enseignants, plutôt que pour une interface analytique uniforme.
  • De la réception des alertes à leur évaluation. Swidan (2026) a suivi un enseignant et huit lycéens à hautes performances dans une leçon de géométrie sous GeoGebra, où Dash4Emotion encadrait les étudiants de rectangles rouges signalant une émotion négative, et a constaté que les alertes ne déterminaient pas les résultats — c'est le geste de l'enseignant après chaque alerte qui le faisait : recadrer la tâche de Mira en passant de la recherche d'une valeur minimale au lieu géométrique des points minimaux a rouvert son exploration, trois alertes simultanées ont provoqué un recadrage de toute la classe, et la non-intervention délibérée durant une séance constituait elle-même une décision pédagogique. La position de l'étude est qu'une alerte émotionnelle générée par l'IA est un indice à interpréter au regard de ce que l'enseignant peut voir, et non une instruction à laquelle obéir.
  • Du gardien au facilitateur de la rétroaction collaborative. Les pilotes en classe du Community Builder (CoBi) montrent que le rôle de l'enseignant détermine de manière décisive l'intégrité de la mise en œuvre : les enseignants qui utilisaient les constats et les visualisations de l'IA pour susciter la métacognition et la réflexion critique sur la collaboration parvenaient à un usage de haute intégrité, tandis que ceux qui laissaient le système dériver vers la surveillance de la performance — ou s'égarer en discussions générales sur l'IA — n'y parvenaient pas. Les enseignants s'inquiétaient aussi d'être mis « au pied du mur » par une rétroaction en temps réel et préféraient l'examen avant/après l'action à l'affichage en direct, ce qui souligne qu'orchestrer une IA de collaboration à l'échelle de la classe exige un apprentissage professionnel substantiel, et pas seulement la fluidité dans l'usage de l'outil.
  • De l'enseignement assisté par l'IA au fait de s'y substituer. Là où la fracture numérique ne laisse aucun appareil pour chaque étudiant, l'enseignant peut devenir l'interface physique du système — un mandataire plutôt qu'un orchestrateur de celui-ci. Dans le modèle « AIED débranchée » de Rodrigues et al. (2026), les étudiants continuent de travailler avec papier et crayon tandis que l'enseignant photographie leurs solutions, et l'IA renvoie des listes d'exercices personnalisées et une rétroaction spécifique aux erreurs à remettre aux élèves. Il s'agit d'une quasi-expérience en grappes menée dans 19 classes authentiques d'école élémentaire au Brésil, et non d'une démonstration sur prototype, et ses deux résultats portent directement sur le rôle. Premièrement, l'avantage d'apprentissage sur la pratique habituelle provenait d'une seule séance de formation des enseignants de 50 minutes, et non de la technologie : les conditions formation seule et formation plus système ne différaient pas sur les gains (−4.33, IC à 95% [−17.29, 7.23]), si bien que la préparation, et non l'outil, est l'ingrédient actif. Deuxièmement, le bénéfice propre du système agissait indirectement, par l'intermédiaire de l'enseignant — une réduction de l'effort médiatisait un effet positif sur les gains (3.649, IC à 95% [1.097, 6.398])) — si bien que l'effet atteint les étudiants que l'IA ne touche jamais, et le travail de capture et de vérification décrit par les enseignants (photographier les feuilles, attendre le traitement, corriger les erreurs de reconnaissance) fait partie du coût pédagogique de l'extension de l'IA aux classes sous-dotées en ressources.
  • Du fournisseur d'informations au concepteur pédagogique. Hochberg et Waitzman (2026) ont suivi 93 enseignants dans un programme d'IA de huit semaines et ont constaté une évolution de la pratique vers une conception heutagogique favorisant l'agentivité de l'apprenant, bien que les glissements auto-déclarés ne fussent pas significatifs après ajustement et que les résultats des apprenants n'aient pas été mesurés.

La métaphore de l'orchestration

La métaphore dominante dans la base de connaissances est celle de l'orchestration : les enseignants coordonnent des apprenants humains, des tuteurs IA et des ressources curriculaires. Cela contraste avec les récits de remplacement — l'IA augmente plutôt qu'elle ne se substitue à l'enseignement humain. Les données probantes empiriques soutiennent cette position : une revue systématique guidée par PRISMA portant sur 42 études (2023–2025) a montré que les LLM égalent les évaluateurs humains sur des tâches courtes et bien structurées, mais que la performance décline sur les travaux longs, multilingues et nuancés — concluant que les LLM ne peuvent pas entièrement remplacer les enseignants et que des systèmes d'évaluation hybrides, avec l'humain dans la boucle, atteignent la plus grande efficacité de notation (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). La perspective de l'orchestration recadre la compétence centrale de l'enseignant comme du jugement : décider quand un humain, une IA ou une activité d'apprentissage conçue est le bon instrument pour un apprenant et un moment donnés. Une revue PRISMA de 2026 portant sur 29 études de Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects aiguise la métaphore en un cycle à quatre phases — surveillance, jugement, intervention, orchestration — et montre pourquoi aucune phase ne peut être tenue pour acquise. Les enseignants préféraient le contrôle partagé, acceptant, modifiant, rejetant ou outrepassant les suggestions de l'IA ; certains différaient délibérément l'intervention afin que les étudiants puissent d'abord lutter de manière productive ; et les tableaux de bord qui élargissaient la conscience pouvaient aussi surcharger l'attention ou excéder ce qu'un seul enseignant pouvait physiquement traiter. Ses trois stratégies — traduction pédagogique des productions de l'IA, conception du soutien à l'apprentissage, et reconstruction des structures d'interaction — décrivent le travail comme une recontextualisation plutôt qu'une approbation, ce qui place l'enseignant plus près du médiateur que du rôle de relecteur humain dans la boucle. L'observation en classe nomme les mêmes comportements comme des types. Six leçons avec un enseignant expérimenté ont ajouté trois types d'orchestration aux quatre de Drijvers — surveillance par tableau de bord, correction par l'IA et médiation par l'IA — avec les rôles de contenu et d'éthique de l'enseignant les plus visibles lorsqu'il corrigeait la rétroaction générée par l'IA (Noh & Kim, 2026).

Les rôles enseignants en évolution et critiques

Des travaux récents déploient la métaphore de l'orchestration en des conceptualisations plus riches du rôle :

  • Le co-orchestrateur aux transitions d'activité. Yang et al. (2026) utilisent le speed dating participatif avec 17 enseignants et 13 étudiants pour cartographier la manière dont le contrôle devrait être distribué selon les étapes d'une activité de classe — les transitions avant, pendant et après entre travail individuel et travail collaboratif — dans un outil de co-orchestration soutenant l'appariement dynamique en temps réel. Le principe de conception qui en émerge est que le contrôle n'est pas un point fixe : les enseignants et les étudiants souhaitent différents degrés d'agentivité à chaque étape, et l'outil devrait permettre à l'enseignant d'ajuster en temps réel le regroupement, les transitions d'activité et le moment des interventions, tout en conservant une possibilité de surcharge par l'enseignant. Cela positionne l'enseignant comme un co-orchestrateur de l'ensemble de l'environnement d'apprentissage vivant — un rôle plus spécifique que la métaphore générale de l'orchestration, centré sur les décisions granulaires, moment par moment, de qui travaille avec qui, quand, et avec quel soutien — et cela relie la recherche sur le tutorat individuel à la conception à l'échelle de la classe.
  • Le « chorégraphe cognitif ». Les cadres posthumanistes recadrent l'enseignant comme un chorégraphe cognitif qui orchestre une cognition distribuée entre systèmes biologiques et artificiels, allant au-delà des modèles instrumentalistes comme Le savoir technologique, pédagogique et disciplinaire (TPACK) et SAM.(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)
  • Le facilitateur, le co-enquêteur, le superviseur éthique. Dans l'apprentissage des sciences, les rôles des enseignants se déplacent de la transmission de connaissances vers le soutien et la co-enquête, et gagnent de nouvelles responsabilités comme superviseurs éthiques de l'usage responsable de l'IA par les étudiants.(Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives)
  • Le médiateur des principes d'apprentissage. Les éducateurs opérationnalisent par l'IA des principes d'apprentissage ancestraux (cognition expérientielle, située et distribuée), traitant l'IA comme un outil qui renforce plutôt qu'il ne remplace le rôle de guide de l'éducateur.(Empowering Educators: Operationalizing Age-Old Learning Principles Using AI)
  • Le médiateur critique qui fait des productions de l'IA un objet de critique. Canonigo (2026) a suivi dix enseignants de mathématiques du secondaire dans une intervention de huit semaines avec ChatGPT-4 et a identifié cinq pratiques de médiation : la formulation de problèmes générés par l'IA, des étayages par indices conçus pour s'estomper, la comparaison critique des productions de l'IA avec les travaux des étudiants, l'invite différenciée (une analogie visuelle pour un étudiant en difficulté, une extension cubique pour un pair) et l'IA comme partenaire de dialogue réflexif. Là où les enseignants mettaient en œuvre ces pratiques, la production devenait un objet de discussion plutôt qu'un corrigé, et les étudiants se dirigeaient vers la conjecture et l'interrogation métacognitive ; là où la médiation était absente, l'autorité migrait vers l'algorithme, les étudiants consultant l'IA avant leur enseignant et ne revenant que pour une validation, ce qui a poussé un enseignant à décrire le passage de l'« oracle » à l'« éditeur ». Le constat d'équité de l'étude est le plus aigu : sur 300 réponses de modèle, le modèle en accès libre était inexact dans 32.7% des cas contre 12% pour le modèle premium (χ²(1) = 17.5, p < .001), si bien que les enseignants de l'école sous-dotée le qualifiaient de « borderline useless for mathematics ». La qualité de l'outil, et pas seulement l'accès à l'outil, devient une variable pédagogique, et la politique d'usage acceptable d'une école était vieille de dix ans et muette sur l'IA, laissant le vide de gouvernance à la classe.
  • Une identité professionnelle instable et vulnérable. Farazouli et al. (2026) documentent le versant émotionnel de la reconfiguration du rôle : 24 enseignants universitaires suédois ont vécu l'émergence de l'IAG comme alarmante et accablante, rapportant un « état de vulnérabilité » (faible confiance, insécurité, crainte de « ne pas devancer les étudiants ») et se sentant « coincés » entre les discours utopiques et dystopiques. L'IAG les a poussés à réévaluer leurs priorités — cultiver la pensée critique, l'évaluation critique et l'usage éthique de l'IAG — et à interroger leur propre rôle futur et celui de l'université dans un paysage qui semblait « hors de contrôle ». Cela cadre le glissement du rôle enseignant comme relevant de l'identité et chargé d'émotion, et non comme un simple changement de compétences ou de flux de travail.
  • Les développeurs académiques comme médiateurs numériques, y compris comme frein. Sithole (2026) interviewe douze développeurs académiques et concepteurs pédagogiques dans deux établissements sud-africains historiquement défavorisés et constate que le rôle se déplace de l'accompagnement d'un enseignement réflexif vers l'intermédiation technologique et la résolution de problèmes, la médiation couvrant la pédagogie, l'éthique et la politique institutionnelle. Le geste distinctif consiste à traiter le ralentissement comme partie intégrante du travail : un participant décrit la traduction entre « ce que la direction veut, ce que la technologie peut faire, et ce dont les enseignants se soucient réellement », et le fait de nommer le plagiat, la dépendance des étudiants et l'externalisation de la pensée avant que l'enthousiasme ne dicte le rythme — « Ce n'est pas seulement du soutien technique ; c'est aussi de la négociation. » La même étude documente le coût affectif (« Je me sens comme une impostrice. J'apprends l'IA en marchant, mais l'institution attend une expertise ») et la réponse d'apprentissage professionnel : des espaces entre pairs qui testent et brisent délibérément les outils, visant le jugement plutôt que la compétence, et un refus explicite de la binarité adoption-ou-résistance — « Je ne suis pas anti-IA ; je suis pro-contexte. »
  • La sélectivité principée plutôt que l'adoption ou la résistance. Adiozaman et Segar (2026) ont interrogé deux universitaires comptant plus de dix ans d'expérience, trois fois au cours d'un même semestre, et ont trouvé un travail identitaire organisé autour de trois tensions interconnectées — pédagogie contre plateforme, éducateur contre facilitateur, et sollicitude contre conformité — qui ne se résolvaient pas en une position arrêtée mais en une sélectivité principée : des décisions sensibles au contexte, guidées par les valeurs pédagogiques, l'engagement éthique et le jugement professionnel. Ils décrivent une trajectoire allant d'une orientation implicite, en passant par des stratégies de milieu de semestre comme demander aux étudiants d'expliquer leur raisonnement et repenser les tâches et l'évaluation, à des positions délibérément laissées ouvertes plutôt que fixées, le refus d'un usage particulier étant traité comme un exercice légitime du jugement plutôt que comme un défaut d'adoption. Cela fournit la contrepartie constructive à la vulnérabilité documentée plus haut : ce que le glissement de rôle exige est du jugement, si bien que les réponses institutionnelles bâties autour de la formation aux outils traitent le mauvais problème.
  • La semi-autonomie comme point de fonctionnement privilégié. Dai et al. (2026) ont enquêté auprès de 287 enseignants expérimentés avec l'IA générative dans 27 pays et régions, et les ont trouvés plaçant l'outil aux niveaux semi-autonomes d'une échelle d'automatisation — 130 choisissant le niveau 2 (« assistance à l'enseignant »), 94 le niveau 3 (« automatisation partielle »), et exactement un le niveau 6 — le décrivant comme « auxiliaire », « étayage », « complément » ou « partenaire ». L'utilité perçue dominait leur intention d'adoption (β = .832, p < .001), tandis que l'autonomie artificielle perçue n'influençait l'intention qu'indirectement, par l'utilité, et que l'aversion au risque déprimait l'intention sans entamer l'utilité, leurs inquiétudes se rattachant à l'usage fait par les étudiants — tricherie et intégrité, affaiblissement des connaissances fondamentales et de la pensée d'ordre supérieur, hallucinations, réduction de l'interaction humaine, et risques éthiques, juridiques et d'équité. Le label de « frenemy » choisi par les auteurs saisit précisément cette position : l'IA générative valorisée comme outil de soutien mais méfiée comme agent autonome. Le corollaire pour le rôle enseignant est que les enseignants veulent demeurer l'agent décideur et trancher au cas par cas — discipline, besoins des étudiants, type de tâche, moment — si bien que les outils d'orchestration devraient être construits autour de la supervision humaine et du jugement au cas par cas plutôt que de promesses d'autonomie.
  • L'autorité reste à l'enseignant ; la capacité ne s'étend qu'à l'intérieur de celle-ci. Reichert, Briceno, Tabarsi & Barnes (2026) ont demandé à six enseignants du secondaire, des classes de la sixième à la terminale (sciences sociales, mathématiques, sciences animales, sciences, et informatique et robotique), de réaliser le prototype papier d'un agent conversationnel LLM pour leur propre classe, et ont constaté que chaque prototype encodait la même position : le système était un expert borné, spécialisé mais confiné à un domaine défini et supervisé par l'enseignant. Les enseignants ont tracé deux frontières. Les frontières d'autorité découlaient de la responsabilité professionnelle et juridique — le contrôle de ce que les étudiants apprennent et de la manière dont leur sécurité est assurée ne pouvait être délégué, si bien que la supervision (journaux complets des conversations, alertes en temps réel pour les requêtes inappropriées et possibilité de surcharge manuelle) était traitée comme un devoir du rôle plutôt que comme un contrôle de l'outil. Les frontières d'expertise découlaient de ce que le modèle ne peut pas savoir : l'histoire individuelle des étudiants, la dynamique de la classe et les normes institutionnelles. La délégation était ensuite allouée de manière sélective selon l'instruction — les enseignants accueillaient volontiers l'IA pour présenter des contenus, fournir des exercices d'entraînement, étayer et donner une rétroaction formative, mais conservaient eux-mêmes l'information des étudiants sur les objectifs et l'évaluation sommative. Cela fournit à la préférence de semi-autonomie documentée plus haut une architecture concrète : l'autorité de l'enseignant est l'élément fixe, et la capacité de l'IA ne croît qu'à l'intérieur de celle-ci.
  • Les enseignants comme évaluateurs chargés de valeurs. Luo & Dawson (2026) montrent que la notation des travaux assistés par l'IA générative n'est pas un acte neutre et fondé sur des critères, mais un jugement de valeur façonné par les conjectures des enseignants sur l'identité de l'étudiant (honnêteté, diligence), sur ses capacités (indépendance, compétence en IA générative, maîtrise disciplinaire), sur sa relation aux autres (confiance) et sur le caractère bénéfique des conséquences de la décision (équité, bienfaisance). Les enseignants manquent souvent de conscience des orientations de valeur qui sous-tendent leur notation, et celles-ci varient selon la discipline (les sciences humaines plus critiques envers l'usage de l'IA générative ; les sciences dures et appliquées rencontrent moins de difficultés de notation) et selon la posture épistémologique (absolutiste, multipliste, évaluativiste). Cela positionne l'enseignant comme un professionnel de l'évaluation dont le jugement — et pas seulement l'usage des outils — doit être soutenu et rendu transparent.
  • L'enseignant comme arbitre des explications pédagogiquement signifiantes. Parce que la confiance des enseignants dans l'IA envers les recommandations augmente lorsque les explications sont formulées dans le langage curriculaire et pédagogique qui est le leur plutôt que dans les rouages internes bruts du modèle, les outils efficaces doivent « parler » le domaine de l'enseignant. Dans une expérience intra-sujet, Feldman-Maggor et al. (2025) ont constaté que les explications fondées sur le domaine d'un outil de regroupement par l'IA étaient bien plus dignes de confiance et acceptées que celles fondées sur les données et l'importance des caractéristiques, positionnant le vocabulaire pédagogique de l'enseignant comme l'interface par laquelle l'IA gagne la confiance et l'usage — et leur jugement sur le caractère pédagogiquement solide d'une explication comme un facteur décisif de l'adoption.
  • Le facilitateur dont la fonction peut être partiellement déléguée. Kuhail et al. (2026) ont fait débattre 32 étudiants en STIM sous la modération d'un humain, d'un chatbot IA (GPT-4, auquel on avait demandé par invite les comportements attendus d'un enseignant : neutralité, temps de parole égal, consignes brèves, respect du sujet, questions de suivi, désescalade), ou de chacun à tour de rôle, et n'ont trouvé aucune différence significative sur l'efficacité, le plaisir, la satisfaction, l'utilité ou l'intention de réutiliser (t = 0.23 à 1.30, p = 0.198 à 0.818). Les auteurs lisent ce résultat nul comme une normalisation de la collaboration humain-IA dans la discussion régie par des règles, et non comme une équivalence. La voie vers la réutilisation différait en revanche : sous modération humaine, la satisfaction déterminait l'intention d'usage, tandis que sous modération par l'IA, c'était l'utilité perçue qui le faisait (0.806 contre 0.495), si bien qu'une activité facilitée par l'IA survit par son utilité démontrée plutôt que par le plaisir qu'elle procure. La lecture pratique est celle d'une modération par l'IA comme aide à la mise à l'échelle pour les grands cours ou les cours légèrement dotés en personnel, sous supervision humaine, l'équité n'étant pas vérifiée pour le sarcasme, le langage indirect et les styles de communication minoritaires.
  • Celui qui fixe les finalités, et pas seulement les compétences. Fagerlund et al. (2026) ont interrogé 13 enseignants finlandais, de la maternelle à la neuvième année, sur les raisons pour lesquelles les étudiants devraient apprendre à propos de l'IA et avec l'IA, lisant leurs récits à travers la qualification, la socialisation et la subjectivation de Biesta. La qualification était la finalité la plus claire et la plus concrète, couvrant l'IA comme objet d'apprentissage et comme outil pour celui-ci ; la socialisation apparaissait comme la culture de positions favorables envers l'IA et la préparation des étudiants comme futurs travailleurs férus d'IA ; la subjectivation, engagement autodéterminé et personnellement signifiant, était jugée importante mais ne s'appuyait sur aucune stratégie pédagogique concrète, reposant sur le « fait de discuter et de réfléchir ». Les auteurs proposent une agentivité éclairée en matière d'IA, la subjectivation au centre et les compétences comme fondement, ce qui confère au rôle enseignant un devoir de fixation des finalités : rendre explicite le « pourquoi » afin que les compétences acquièrent un contexte au lieu de constituer des fins en soi, et compléter les cadres techniques tels que Le savoir technologique, pédagogique et disciplinaire (TPACK) par une attention soutenue à la finalité éducative.

Ces rôles relient le travail enseignant à la cognition distribuée, à l'apprentissage situé, à l'apprentissage incarné et à la pédagogie critique, et recadrent l'enseignant comme un concepteur et un guide éthique de l'apprentissage médié par l'IA plutôt que comme un simple utilisateur.

  • Les décisions assistées par l'IA se concentrent là où des données comportementales sont disponibles. Köroğlu et al. (2026) ont passé en revue 27 études empiriques (2016–2025) et identifié huit types de décision des enseignants-chercheurs, constatant que le soutien par l'IA se concentrait sur les décisions pédagogiques, de rétroaction et d'évaluation, tandis que les décisions curriculaires, relatives à l'environnement d'apprentissage, émotionnelles, éthiques et administratives étaient rarement soutenues. Les tableaux de bord d'analytiques de l'apprentissage constituaient le système le plus courant, traitant les données textuelles et de journal en indicateurs comportementaux de performance et d'engagement ; les données multimodales et interactionnelles, les systèmes agentiques et les résultats cognitifs, métacognitifs, motivationnels et affectifs étaient tous comparativement rares dans le corpus examiné. La lecture pratique pour les enseignants est que l'espace décisionnel qu'un outil d'IA ouvre est borné par les données qu'il affiche, si bien que le choix d'un outil est aussi un choix quant aux décisions d'enseignement qui sont dotées de ressources.

Comment les enseignants devraient adapter leurs pratiques à l'IA

Les données probantes de la base de connaissances convergent vers un ensemble d'adaptations concrètes :

Concevoir l'enveloppe pédagogique de l'IA, et pas seulement l'outil. Une même IA produit de grands gains d'apprentissage ou un tort net selon la manière dont l'activité est conçue autour d'elle. Kibar & Ilgaz et les données probantes sur les gains d'apprentissage concordent : le travail de l'enseignant est de concevoir l'expérience d'apprentissage, en traitant l'IA comme un composant d'une activité structurée plutôt que comme le moteur de réponses. Étayez d'abord une tentative de l'étudiant, puis laissez l'IA l'accompagner — c'est la différence entre l'évaluation et l'inflation de la performance.

Exiger un point de contrôle humain dans la boucle. Plutôt que d'accepter les productions de l'IA à leur valeur apparente, apprenez aux étudiants à évaluer, corriger et s'approprier les travaux assistés par l'IA. La littératie en IA fondée sur le fair use cadre cela comme un équilibrage entre la productivité de l'IA et l'épanouissement humain et l'autorialité authentiques. Concevez les travaux de sorte que l'IA aide à la rédaction, mais que l'apprenant demeure l'agent de l'évaluation et de la révision.

Curez les brouillons de rétroaction de l'IA ; ne les relayez pas. Chen et al. (2026) ont fourni à 64 enseignants chinois en formation initiale une rétroaction assistée par ChatGPT sur l'écriture argumentative et ont constaté que traiter la production comme du matériel brut plutôt que comme un commentaire achevé faisait progresser la pensée critique là où la rétroaction du seul enseignant n'y parvenait pas (d de Cohen de 3.74 au post-test contre 0.25 au pré-test, p < .001). Ce que les enseignants ont fait du brouillon est la partie transférable : ils en copiaient le contenu approprié à un niveau comparable au leur (28%), l'élargissaient par des apports plus profonds (16%), le fournissaient tel quel (16%), le révisaient (14%) ou le rejetaient entièrement (14%), 9% supplémentaires nécessitant une correction. La rétroaction assistée penchait vers la modélisation (démonstration, 33.1% contre 10.9%) et le sondage (questionnement serré, 21.5% contre 6.0%), et les étudiants la révisaient vers l'analyse, l'évaluation et la création plutôt que vers la reconnaissance, mais six des huit personnes interrogées rapportaient encore de l'imprécision et un manque de professionnalisme. L'étape de vérification de l'enseignant est ce qui rend l'hybride sûr.

Adaptez l'évaluation à l'ère de l'IA. Éloignez-vous des tâches que les LLM peuvent accomplir mot pour mot vers des évaluations authentiques, fondées sur le processus et en présentiel. Les barèmes d'évaluation fournissent aux enseignants une grille pour décider de la légitimité de l'assistance par l'IA à chaque étape, et les données probantes méta-analytiques montrent que l'IA peut soutenir la pensée d'ordre supérieur lorsque la conception de l'évaluation l'exige.

Protégez les conditions d'un apprentissage durable. Parce que les réponses de l'IA donnent à l'apprentissage des apparences de facilité, les enseignants doivent concevoir pour contrer l'écart performance-apprentissage. Lodge & Loble avertissent qu'un succès sans effort avec l'IA peut masquer l'absence d'apprentissage ; les enseignants devraient intégrer la lutte productive, exiger une démonstration de maîtrise sans assistance, et traiter les réponses assistées par l'IA comme un point de départ, non comme le résultat achevé.

Planifiez en fonction du média de diffusion. L'adaptation n'est pas neutre au regard du média : l'enseignement en ligne avec l'IA multiplie à la fois les opportunités (personnalisation évolutive, soutien permanent) et les risques (intégrité, délégation). Concevez l'enveloppe de l'IA aussi délibérément en ligne qu'en présentiel.(Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation)

Intégrer la littératie en IA à l'enseignement

La littératie en IA n'est pas un module séparé — elle est tissée dans la manière dont les enseignants conçoivent chaque cours. Les approches efficaces incluent :

Assurer l'intégrité académique à l'ère de l'IA

L'intégrité académique avec l'IA est un problème de conception, non un problème de police. Les enseignants s'adaptent en :

  • Recadrant l'intégrité autour du processus et de l'autorialité. Au lieu de la détection, mettez l'accent sur l'intégrité académique comme usage transparent et documenté. Les recherches sur l'IA agentique et les étudiants fantômes montrent que le risque d'intégrité se déplace lorsque les étudiants déploient des agents IA en leur nom, si bien que les enseignants doivent définir ce que signifie l'autorialité lorsque le « fantôme » est une IA.
  • Utilisant la divulgation et le cadrage. La manière dont l'usage de l'IA est présenté aux étudiants — qu'il s'agisse d'une béquille ou d'un outil légitime — façonne la décision d'en faire état. Les normes de transparence (par exemple la divulgation de l'usage de l'IA) réduisent l'incitation à cacher l'usage de l'IA.
  • Éliminant par la conception l'incitation à tricher. Des évaluations authentiques, fondées sur le processus et en présentiel (examens oraux, portfolios, résolution de problèmes observée) rendent l'externalisation moins attrayante que ne le font les outils de détection de l'IA. Les barèmes d'évaluation et l'évaluation authentique sont l'alternative constructive à la course à l'armement de la détection.
  • La régulation au niveau des tâches est la manière dont les enseignants gouvernent réellement l'IA. L'étude de Chirikov (2026) portant sur plus de 31,000 syllabi de cours montre que les enseignants agissent de plus en plus comme des régulateurs au niveau des tâches plutôt qu'ils n'appliquent des règles uniformes : ils restreignent l'IA pour la rédaction et la révision (79% des cours) et pour le raisonnement et la résolution de problèmes (65%), la permettent pour l'édition et la correction (83%) et le soutien à l'étude (80%), et laissent l'idéation et la planification les plus contestées (46% l'autorisent / 54% la restreignent). Cette différenciation — bâtie sur les tâches que l'IA déplace plutôt qu'elle n'augmente — constitue une alternative concrète, portée par les enseignants, à la politique d'adoption ou d'interdiction, et donne au rôle enseignant une place centrale dans la formation de l'politique.

Relier l'enseignement à la conception pédagogique

L'enseignement et la conception pédagogique sont les deux faces d'une même pièce — les jugements quotidiens de l'enseignant sont l'exécution vivante de l'expérience d'apprentissage conçue. L'IA resserre ce lien :

  • Les enseignants comme concepteurs pédagogiques. LearnAI et la conception d'invites rédigées par les enseignants montrent les enseignants fonctionnant comme des concepteurs : spécifiant l'activité, le rôle de l'IA et les étayages qui structurent l'apprentissage. C'est de la conception pédagogique en action au point d'usage.
  • Les principes de conception pédagogique gouvernent la pédagogie de l'IA. Les mêmes principes de conception pédagogique — objectifs clairs, évaluation alignée, étayage et rétroaction — déterminent si l'IA aide ou nuit. ISD-Agent-Bench valide empiriquement que fonder la conception de l'IA sur des modèles formels de conception pédagogique surpasse l'invite libre de théorie.
  • Concevoir pour l'orchestration par l'enseignant. Des environnements d'apprentissage efficaces fondés sur l'IA sont conçus en ayant l'enseignant à l'esprit — les outils que fournit l'IA centrée sur l'humain devraient réduire la charge de travail de l'enseignant et augmenter son jugement, plutôt qu'ajouter une boîte noire opaque de plus. Lorsque les enseignants co-conçoivent des activités d'apprentissage fondées sur l'IA (les perspectives de la théorie de l'activité), l'adoption et la qualité s'améliorent toutes deux.

Relation avec l'identité de l'apprenant

Le rôle enseignant et l'identité de l'apprenant sont les faces réciproques d'un même processus humain, et l'IA reconfigure les deux.

  • L'identité de l'enseignant est une identité professionnelle ; l'identité de l'apprenant est une identité d'apprentissage. La page sur le rôle enseignant documente la manière dont l'IA reconfigure le travail, l'identité et l'agentivité des éducateurs — leur compréhension professionnelle d'eux-mêmes en évolution (voir le cadrage par Laidlaw de l'IA générative comme une crise d'identité). L'identité de l'apprenant est le construit parallèle pour les étudiants : qui ils sont et deviennent comme apprenants, en termes disciplinaires, professionnels, créatifs et académiques.
  • Ils sont causalement couplés. Les enseignants qui vivent une disruption identitaire (incertitude quant à leur finalité professionnelle au milieu de l'IA générative) sont moins capables de soutenir le développement identitaire de leurs étudiants — un enseignant qui doute de son rôle peine à valider le sentiment de soi émergent des étudiants dans le même domaine. Inversement, les enseignants qui maintiennent une identité professionnelle confiante sont mieux placés pour étayer l'appartenance et l'autorialité des étudiants.
  • Des modes d'échec distincts. L'identité de l'enseignant est menacée par l'obsolescence du rôle et la finalité (la question « à quoi bon enseigner ? »). L'identité de l'apprenant est menacée par la perte d'autorialité et la compétence (la question « est-ce vraiment à moi / suis-je assez bon ? »). Les deux sont des réponses de niveau identitaire (et pas seulement de niveau compétences) à l'IA.
  • Les deux relèvent du développement professionnel et de la pédagogie. Soutenir l'identité de l'enseignant relève du développement professionnel et de la compétence des enseignants en IA ; soutenir l'identité de l'apprenant relève de l'expérience étudiante, de l'évaluation authentique et de l'agentivité. Un système bien conçu intégrant l'IA prend soin des deux — parce que l'identité de l'enseignant est la condition de formation des identités des apprenants.

La co-conception par les enseignants de la littératie en IA dès le plus jeune âge

  • La co-conception par les enseignants dans la littératie en IA dès le plus jeune âge. Lee (2026) montre que deux enseignants de maternelle et deux enseignants de jardin d'enfants ayant co-conçu le programme Play With AI (PL-AI) ont connu une croissance substantielle de la confiance et de l'agentivité pédagogique, la co-conception favorisant l'appropriation du programme, la pratique réflexive et une adaptation signifiante. Cela positionne les enseignants comme des co-concepteurs centraux — et pas seulement des exécutants — de programmes de littératie en IA adaptés au stade de développement, un modèle ayant des implications pour la préparation des enseignants à l'éducation à l'IA dans la petite enfance et l'enseignement élémentaire.

Les enseignants co-concevant des ressources d'apprentissage fondées sur l'IA

  • Le rôle de l'enseignant s'étend à la co-conception de ressources d'apprentissage fondées sur l'IA : des simulations co-conçues par les enseignants et l'IA pour l'enseignement des drones en STIM ont maintenu la validité pédagogique et la pertinence contextuelle des productions de l'IA générative, et les enseignants sont les bénéficiaires visés de l'échelle de littératie en IA des enseignants. Une intégration efficace de l'IA générative dépend de plus en plus de l'implication des enseignants dans la conception.

Les systèmes de réflexion par IA devraient s'adapter à l'expérience de l'enseignant

  • Les analytiques de réflexion destinées aux enseignants devraient être adaptées à l'expertise, et non uniformes. Une enquête menée auprès de 100 enseignants américains du primaire et du secondaire (coupure médiane à neuf ans ; tests binomiaux ; différences de choix de 15% détectables à une puissance d'environ 83%) a mis au jour des clivages systématiques de préférences. Les enseignants moins expérimentés citent le manque de temps de réflexion comme obstacle majeur à un taux trois fois supérieur à celui des enseignants expérimentés (37% contre 12%, p < .001) et souhaitent des analytiques portant sur le désengagement des étudiants (48% contre 33%, p = .028) et sur leurs émotions (31% contre 18%, p = .036).
  • La règle de conception qui découle de ce clivage est celle de modes de recommandation adaptés à l'expérience. Les enseignants expérimentés veulent des analytiques sur l'amélioration de l'apprentissage après avoir aidé un étudiant (40% contre 26%, p = .019) et sur leurs propres méthodes d'enseignement (42% contre 26%, p = .012) ; leur principal obstacle est le suivi de la performance (28% contre 15%, p = .009). Règle de conception : mode novice = invites structurées et analytiques d'engagement ; mode expert = analyse longitudinale souple — un argument direct contre les tableaux de bord uniformes. (How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment)

Concepts liés

Articles liés

FAQ liées

Métadonnées

NiveauK 12, Higher Ed
Public viséInstructors, Faculty Developers, Learners
Apprentissage et enseignementL'étayage
Technologies et techniquesTutorat intelligent
Fondements de l'IA dans l'éducationLittératie en IA, Le développement éducatif, Conception pédagogique, La compétence des enseignants en IA
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.