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

Le savoir technologique, pédagogique et disciplinaire (TPACK)

Création 2026-08-14 · Mise à jour 2026-10-10

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

Le savoir technologique, pédagogique et disciplinaire (Technological Pedagogical Content Knowledge, TPACK) — le cadre (Mishra & Koehler, 2006) décrivant le savoir intégré dont les enseignants ont besoin pour utiliser efficacement la technologie dans l'enseignement : l'interaction du savoir technologique (TK), du savoir pédagogique (PK) et du savoir disciplinaire (CK), ainsi que leurs intersections. À l'ère de l'IA, le TPACK a été étendu en AI-TPACK et GenAI-TPACK, modélisant la manière dont les enseignants intègrent l'IA générative à l'enseignement des contenus disciplinaires. C'est la lunette théorique dominante pour comprendre comment la compétence des enseignants en IA est structurée et construite par le développement professionnel.

Cette dominance tient aussi en partie à un artefact de recherche documentaire : dans une revue de portée PRISMA portant sur 195 études de formation des enseignants soutenue par la technologie, la compétence numérique, le TPACK et DigCompEdu étaient des descripteurs de recherche explicites, si bien que la part de 46.5% des cadres de compétences décrit le corpus retrouvé plutôt que le champ (Patiño Hernández et al. (2026)).

Questions à examiner

  • Le TPACK affirme qu'un enseignement efficace avec la technologie n'est pas la somme de compétences séparées (connaître sa matière + connaître l'enseignement + connaître l'outil), mais le produit de leur interaction. Songez à une leçon qui a réellement fonctionné avec une technologie. Quelles combinaisons de savoirs disciplinaires, pédagogiques et techniques — et non un seul d'entre eux — semblaient faire le travail ?
  • Une hypothèse répandue veut qu'un enseignant « féru de technologie » soit pour cette raison prêt à enseigner avec l'IA. Où cette hypothèse pourrait-elle échouer — par exemple lorsqu'un enseignant techniquement fluide utilise encore l'IA de manière pédagogiquement superficielle ou inexacte sur le contenu ? À quoi ressemblerait une « compétence » qu'un simple test de compétences techniques laisserait échapper ?
  • L'ère de l'IA recadre la technologie dans le TPACK, d'un outil passif à un agent actif qui peut planifier, générer et tutoriser. Si le travail de l'enseignant passe de l'opération d'un outil à l'orchestration d'une IA qui agit d'elle-même, quel nouveau savoir cela exige-t-il — et une liste de contrôle statique peut-elle le saisir ?
  • La page suggère que le développement professionnel devrait entraîner les intersections, et pas seulement les outils. Songez à la dernière formation technologique à laquelle vous avez assisté ou que vous avez conçue. Portait-elle surtout sur « comment utiliser le logiciel », ou construisait-elle ensemble contenu, pédagogie et technologie ? Quelle approche vous attendriez-vous à voir changer davantage la pratique en classe, et pourquoi ?
  • La recherche a trouvé différents « archétypes d'enseignants » — optimiseurs, créateurs, observateurs passifs — qui bénéficient de différents types de soutien. À quel archétype ressemblez-vous le plus lorsque vous utilisez l'IA dans votre enseignement, et quel type d'étayage pensez-vous qu'il vous aiderait le plus ? Vos apprenants vous décriraient-ils de la même manière que vous le faites ?
  • Certains chercheurs soutiennent qu'une intégration efficace de l'IA émerge des croyances de l'enseignant et de son sentiment d'efficacité, et pas seulement de ses connaissances. Que croyez-vous du rôle de l'IA dans l'apprentissage, et comment cette croyance — plus que votre compétence technique — pourrait-elle façonner si vous l'intégrez réellement et comment ?

Introduction

  • Crompton et al. opérationnalisent par une recherche fondée sur la conception des référentiels d'intégration technologique pour les enseignants-chercheurs, qui étendent le cadre TPACK à la pratique institutionnelle.

Le cadre

Le TPACK soutient que l'intégration efficace de la technologie n'est pas la somme de domaines de connaissance séparés, mais le produit de leur interaction dynamique. Le cadre comprend trois domaines de base et quatre intersections :

  • Le savoir disciplinaire (CK) — la connaissance de la matière à enseigner.
  • Le savoir pédagogique (PK) — la connaissance des méthodes d'enseignement, des stratégies et de la manière dont les étudiants apprennent.
  • Le savoir technologique (TK) — la connaissance de l'usage des outils et des Technologies de l'IA, incluant l'IA générative.
  • Le savoir pédagogique et disciplinaire (PCK) — comment enseigner efficacement des contenus spécifiques.
  • Le savoir technologique et disciplinaire (TCK) — comment la technologie façonne et représente les contenus.
  • Le savoir technologique et pédagogique (TPK) — comment la technologie soutient ou contraint les stratégies d'enseignement.
  • Le TPACK — le savoir intégré émergent au centre, là où les trois domaines interagissent pour rendre possible un enseignement augmenté par la technologie et propre au contenu.

L'AI-TPACK et le GenAI-TPACK

L'ère de l'IA a poussé le cadre vers une lecture de la technologie dotée d'intelligence. Plutôt qu'un outil passif, l'IA générative est un agent actif qui peut planifier, générer des contenus, tutoriser et s'adapter — si bien que le savoir d'intégration inclut de plus en plus l'orchestration : décider quand et comment l'IA agit, étaye, ou cède devant le jugement humain.

  • Au-delà des connaissances discrètes. Les recherches sur l'AI-TPACK soutiennent qu'une intégration efficace de l'IA n'émerge pas de la possession de domaines séparés, mais de l'interaction dynamique de la pensée systémique, des croyances pédagogiques et de l'auto-efficacité — mettant au défi les modèles statiques et fondés sur des listes de contrôle de la compétence des enseignants en IA. Les archétypes d'enseignants (optimiseurs systématiques, créateurs prolifiques, observateurs passifs) émergent de la manière dont les enseignants conçoivent les flux de travail pédagogiques multi-agents.
  • Ce que les cadres d'intégration laissent de côté. Une critique de la co-agency soutient que le TPACK et le SAMR traitent du savoir de l'enseignant et des niveaux d'adoption, mais laissent le pouvoir, la propriété des données et la responsabilité sans réponse, si bien que le savoir d'intégration exige une frontière éthique explicite plutôt qu'un domaine de connaissance supplémentaire (Poudyal (2026)).
  • Données probantes transversales aux niveaux pour le noyau pédagogique. Une étude multiniveaux portant sur 46 enseignants et 2,832 étudiants du secondaire a montré que la connaissance technique de l'IA seule était insuffisante — elle atténuait même légèrement les perceptions par les étudiants de l'IA au service du bien commun — tandis que le savoir pédagogique en IA (TPAIK) était ce qui nourrissait les perceptions des étudiants et leur intention comportementale d'apprendre l'IA. Le résultat se résume en un principe de « pédagogie d'abord, technologie ensuite » qui fait écho aux constats sur le rôle médiateur évoqués plus haut.
  • L'éthique comme médiateur intégrateur, et non comme frontière. Dans une enquête menée auprès de 454 enseignants universitaires, la connaissance technologique sur l'IA isolée avait une association directe négative avec l'AI-TPACK intégré (β = −0.303), alors que son effet total demeurait positif (β = 0.639), passant par les connaissances pédagogique, disciplinaire et éthique (Chen et al. (2026)). Le savoir éthique canalisait aussi l'effet plus loin, prédisant à la fois la connaissance pédagogique (β = 0.353) et la connaissance disciplinaire (β = 0.269).
  • Une lunette de revue pour l'ensemble du champ. Une revue systématique dans une perspective TPACK (Liu & Zhong, 2025) a analysé 71 études empiriques de l'IA générative dans l'apprentissage des étudiants, trouvant un effet global positif (g de Hedges = 0.752) et identifiant la littératie en IA générative des étudiants et le développement professionnel en GenAI-TPACK des enseignants comme les deux priorités critiques pour le champ.
  • La seule maîtrise ne prédit pas l'intégration pédagogique. Choi et al. (2026) ont mesuré l'Intelligent-TPACK des enseignants pour segmenter les participants et ont observé que même les novices maîtrisant l'IA se reposaient passivement sur les productions de l'IA lors de la conception des leçons, tandis que les enseignants expérimentés — dotés d'un AI-TPACK mesuré plus faible — se réengageaient de manière critique et adaptaient les suggestions de l'IA au contexte pédagogique. Le résultat renforce le schéma ci-dessus : l'AI-TPACK se traduit par un usage sain en classe à travers le jugement pédagogique expérimenté, et le soutien de la formation des enseignants doit donc viser l'application du savoir sur l'IA, et non sa simple possession.
  • Le contexte de la formation des enseignants. Le TPACK est déterminant pour cultiver la compétence des enseignants à intégrer la technologie dans un enseignement propre à un programme, ce qui explique que la recherche sur la formation des enseignants et le développement professionnel (par exemple les programmes intensifs de DP sur l'IA générative, la préparation en AI-TPACK chez les enseignants en formation initiale) le mesure de plus en plus comme le résultat d'intérêt.
  • Le savoir pédagogique fait médiation dans l'intégration de l'IA générative. Mohebi et ElSayary (2026) ont enquêté auprès de 325 enseignants en exercice répartis dans 26 pays et en ont interviewé sept, en recourant à une conception à méthodes mixtes explicative séquentielle pour modéliser le TPACK-GenAI. Le savoir technologique (TK), le savoir pédagogique (PK) et le savoir pédagogique et disciplinaire (PCK) étaient chacun associés au TPACK-GenAI global, mais le savoir technologique et pédagogique (TPK) faisait médiation dans ces liens — preuve que le passage « de la maîtrise à la pédagogie » importe : traduire la compétence en IA générative en un usage sain en classe passe par le savoir d'intégration pédagogico-technologique, et non par la seule familiarité avec l'outil.
  • Dans l'enseignement supérieur, l'expertise disciplinaire ne se transfère pas à l'intégration de l'IA générative. Sutedjo, Chowdhury & Liu (2026) ont adapté l'instrument TPACK-21 pour enquêter auprès de 127 enseignants-chercheurs d'une université de recherche américaine sur l'usage de l'IA générative pour enseigner les compétences du XXIe siècle. Les enseignants ont déclaré un fort CK (M = 5.15) et un fort PCK (M = 4.70), mais un faible savoir intégrant la technologie — TPK (M = 2.62), TCK (M = 2.75) et TPACK global (M = 2.55, le domaine le plus faible) — et le CK ne montrait aucune corrélation significative avec le TK ni avec aucun domaine intégrant la technologie (r = .11–.15, ns). Les trois domaines intégrant la technologie étaient si fortement inter-corrélés (r = .81–.91) qu'ils pourraient fonctionner comme un facteur unique d'intégration de l'IA générative. Le résultat renforce le principe de conception entraîner les intersections : le développement du corps enseignant doit délibérément construire le savoir d'intégration de l'IA générative par des activités propres aux disciplines plutôt que de supposer que l'expertise disciplinaire se transférera, et traiter les domaines intégrant la technologie comme un socle commun de littératie en IA générative.
  • Le mode institutionnel et le niveau de formation interagissent. Mnguni et al. (2026) ont comparé 186 étudiants enseignants en sciences en dernière année dans une université sud-africaine sur campus (n = 85) et une université d'enseignement à distance (n = 97). Le TPACK auto-déclaré était plus élevé sur le campus (64.0% contre 47.4%), le savoir pédagogique était le domaine le moins déclaré dans les deux groupes (53% sur le campus), et le niveau de formation en IA n'était associé au TPACK auto-déclaré qu'à l'institution à distance, où l'achèvement d'un cours court de cinq crédits prédisait un TPACK déclaré plus faible que l'absence totale de formation (p = .039, contre p = .607 sur le campus). La préparation suit donc le contexte d'offre institutionnelle plutôt que les seules heures de formation, et les auteurs avertissent qu'une préparation auto-déclarée ne peut se substituer à des preuves de performance.

Un avertissement complémentaire sur la mesure vient du modèle Capacité–Décision du même auteur : lorsque le TPACK est auto-déclaré et que le contrôle comportemental perçu est mesuré comme l'auto-efficacité, les deux peuvent ne pas être empiriquement distinguables, si bien qu'une étude ne peut dire si c'est la capacité ou la confiance générale qui prédit l'intention (Mnguni (2026)).

  • Le TPACK intégré évolue le plus lorsque l'IA est étayée à l'intérieur de tâches authentiques fondées sur les problèmes. Chen et Osman (2026) ont comparé un module CTD-PBL de huit semaines soutenu par l'IA à un enseignement classique auprès de 130 enseignants de physique en formation initiale de troisième année, dans une conception quasi-expérimentale à classes entières (65 par condition), les groupes utilisant DeepSeek par le biais de modèles d'invites propres aux tâches, chaque production de l'IA étant tenue de passer une vérification humaine avant d'entrer dans un artefact pédagogique. Le groupe ayant suivi le module a déclaré un TPACK post-test plus élevé (M = 4.04 contre 3.40, p < 0.001, d = 1.02) et une résolution de problèmes collaborative perçue plus élevée (M = 3.62 contre 3.05, d = 0.88), avec des interactions groupe × temps significatives sur les deux résultats. Là où les gains se sont produits constitue le détail pertinent pour le TPACK : les plus grands effets dimensionnels portaient sur les domaines intégrés — TPCK (d = 1.21), PCK (d = 1.06) et TPK (d = 0.95) — et les gains de collaboration étaient les plus nets dans la construction de connaissances partagées et la régulation sociale, c'est-à-dire les intersections plutôt que les domaines de base. Les auteurs présentent ces résultats comme des évolutions différentielles associées à une condition pédagogique intégrée, et non comme un effet de l'IA : l'IA n'a jamais été isolée de la chaîne de tâches PBL, de la collaboration structurée, de l'étayage par l'enseignant, de la rétroaction par les pairs ou de la révision réflexive, et les deux résultats étaient des perceptions de compétence fondées sur des questionnaires plutôt que des performances démontrées en classe.
  • Une intervention peut faire évoluer d'abord le domaine de base. Un programme de développement professionnel de six mois bâti directement sur le cadre Intelligent-TPACK a le plus élevé le savoir technique en IA (AITK : de 3.92 à 4.43, t(63) = 3.856, p < .001, d = .48), le savoir technologico-pédagogique ensuite (AITPK : d = .33) et l'AI-TPACK intégré le moins (d = .26), la conscience éthique demeurant comparativement stagnante (Tan, Cheng & Ling, 2025). L'ordonnancement est l'image miroir des gains de domaines intégrés de Chen et Osman, et les deux reposent sur l'auto-déclaration.

L'AI-TPACK comme médiateur entre littératie et intégration en classe. Un modèle d'équations structurelles portant sur des enseignants de sciences chinois en formation initiale (Zou, Li, Wang & Du, 2026) positionne l'AI-TPACK non comme une compétence parallèle, mais comme le mécanisme de transmission par lequel la littératie en IA générale devient pratique enseignante. La littératie en IA prédisait fortement l'AI-TPACK, l'AI-TPACK prédisait à son tour l'auto-efficacité à enseigner les sciences (Le sentiment d'efficacité personnelle), et cette auto-efficacité à enseigner était le plus fort prédicteur unique de l'intention d'enseigner par une enquête intégrant l'IA.

La chaîne sérielle complète (littératie en IA → AI-TPACK → auto-efficacité → intention) était significative, de même que les voies indirectes distinctes passant par l'AI-TPACK et par l'auto-efficacité ; prises ensemble, l'essentiel de l'association de la littératie en IA avec l'intention passait par ces médiateurs plutôt que directement, et le résultat tenait après contrôle du genre, de l'année d'études, de la filière et de la fréquence d'usage de l'IA. L'affirmation pratique du modèle est une séquence dotée d'un point d'entrée : la littératie en IA est nécessaire mais insuffisante, et le travail d'intégration se produit là où les savoirs technologique, pédagogique et disciplinaire sont combinés — ce qui est aussi le lieu où se construit la confiance des enseignants dans l'enseignement de la matière.

  • La validation comme quatrième compétence. Orhon, Cekerol et Ugur (2026) étendent le modèle par le savoir de validation par l'IA — soumettre les productions probabilistes de l'IA à une vérification propre à la discipline avant de les traiter comme des preuves d'une décision légitime — et l'associent à une grille axée sur le processus pour l'enseignement du design.

Pourquoi cela compte en IA éducative

Le TPACK est le cadre organisateur du versant enseignant de la base de données probantes de la base de connaissances. Il explique pourquoi la compétence des enseignants en IA est plus que la fluidité dans l'usage des outils : les enseignants doivent intégrer ensemble les savoirs technologique, pédagogique et disciplinaire pour transformer l'IA en gains d'apprentissage. La page de la base de connaissances sur la compétence des enseignants en IA couvre les dimensions de la compétence ; le TPACK en est la structure de savoir sous-jacente. Les recherches sur la confiance des enseignants, le développement professionnel et la transformation du rôle enseignant opèrent toutes à l'intérieur (ou à l'encontre) de ce cadre. Le cadre est aujourd'hui étendu à l'évaluation de programmes entiers : Wu & Li (2026) bâtissent un système d'évaluation AHP-Fuzzy-AHP pour les programmes de certification en IA sur les dimensions du TPACK et constatent que la compétence professionnelle du corps enseignant — et non l'infrastructure technique — constitue le plus grand écart entre la priorité des experts et l'offre actuelle, signalant que la certification devrait investir dans la capacité pédagogique intégrée des enseignants.

Implications pour la conception

  1. Entraîner les intersections, et pas seulement les outils. Le développement professionnel devrait construire ensemble les savoirs technologique, pédagogique et disciplinaire, plutôt que d'offrir une formation isolée aux outils — le principe de conception central du TPACK.
  2. Traiter l'IA comme un agent, et non comme un appareil. L'AI-TPACK étend le cadre vers l'orchestration d'agents IA, exigeant une pensée systémique et un jugement pédagogique sur le moment où l'IA doit agir.
  3. Différencier le développement professionnel selon le profil de l'enseignant. Différents archétypes d'enseignants (optimiseurs, créateurs, observateurs) bénéficient d'étayages différents — cadres avancés, rétroaction rapide ou modélisation explicite, respectivement.
  4. Évaluer la compétence intégrée. Les résultats orientés par le TPACK (par exemple les gains de AI-PCK) devraient être mesurés comme une capacité intégrée, et non comme une familiarité auto-déclarée avec les outils.

Concepts liés

Articles liés

FAQ liées

Métadonnées

Public viséFaculty Developers, Instructors
Technologies et techniquesL'IA générative
Fondements de l'IA dans l'éducationLittératie en IA, La conception de programme d'études, Le développement éducatif, Conception pédagogique, L'enseignement, Le savoir technologique, pédagogique et disciplinaire (TPACK), 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.