Comment l'IA peut-elle soutenir les apprenants en situation de handicap et neurodivergents dans mon cours ?

Traduction automatique de la page anglaise, non encore relue par une personne de langue maternelle.

Vous êtes l'enseignant qui vient de recevoir une lettre d'aménagement, le responsable de l'accessibilité qui doit décider s'il approuve une licence, ou le coordinateur des services aux étudiants en situation de handicap qui doit répondre à une demande d'outil avant vendredi. Vous n'avez pas besoin d'une revue de littérature. Vous avez besoin d'une décision défendable : quoi adopter, quoi refuser, et comment savoir si ce que vous avez approuvé a réellement aidé l'étudiant qui est devant vous.

L'essentiel, avec ses réserves laissées en place : l'IA peut soutenir les apprenants en situation de handicap et neurodivergents, mais ce qui a été mesuré est étroit. La majeure partie des données probantes concerne des outils qui suppriment un obstacle fonctionnel à la fois ; le résultat quantitatif le plus solide provient de contextes d'éducation spécialisée PK-12 utilisant une IA majoritairement antérieure à l'IA générative ; et le tableau dans l'enseignement supérieur est une carte de ce qui a été tenté plutôt qu'une mesure de ce qui fonctionne. Rien ici ne justifie une adoption généralisée. Tout ici soutient une adoption étroite, encadrée par un enseignement et ciblée sur un obstacle précis, et nomme plusieurs pratiques qui tournent mal.

Partir de l'obstacle, pas du diagnostic

L'essentiel de ce qui va mal pour les étudiants en situation de handicap et neurodivergents se situe au niveau d'une tâche plutôt que d'un diagnostic : une lecture qui présuppose l'imprimé, une vidéo qui présuppose une attention soutenue, un projet de groupe qui présuppose des règles sociales implicites. Ces obstacles se répètent d'un diagnostic à l'autre, de sorte que la question productive n'est pas de savoir quel outil convient à quelle condition, mais quel obstacle fonctionnel un outil supprime. Chaque recommandation ci-dessous est organisée ainsi, et vos achats devraient l'être aussi.

Quoi adopter, classé selon la solidité des données probantes

1. Des outils qui suppriment un obstacle avec un effet mesuré : confiance moyenne, mais PK-12 et une IA surtout plus ancienne. Le résultat quantitatif le plus solide de cette page est aussi le plus général. Zhang, Carter, Liu et Peng (2024) ont synthétisé 29 études (quasi) expérimentales portant sur des interventions fondées sur l'IA destinées à des élèves en situation de handicap, soit 239 tailles d'effet issues de 41 échantillons indépendants, et ont trouvé un effet global moyen statistiquement significatif sur les résultats d'apprentissage, g de Hedge = 0.588 (IC à 95% [0.349, 0.826], p < .01), avec une forte hétérogénéité entre les études. La performance scolaire était le sous-groupe de résultats le plus important (k = 80, g = 0.929) et les compétences socio-émotionnelles le plus petit (k = 144, g = 0.382). Les logiciels informatiques, à savoir la reconnaissance vocale et les systèmes experts, ainsi que les systèmes de tutorat intelligent, obtenaient de bons résultats (k = 74, g = 0.959) et les robots des résultats modérés (k = 144, g = 0.509), tandis que la réalité virtuelle intelligente (g = 0.528) n'était pas significative. Un biais de publication était présent (β d'Egger = 2.837, p < .001) ; la méthode trim-and-fill réduisait l'estimation à g = 0.269, toujours significative. Lisez honnêtement l'étiquette de confiance : toutes les études portaient sur PK-12, 96.6% utilisaient un enseignement par étapes en contexte d'éducation spécialisée ou clinique, et la plupart utilisaient une IA plus ancienne fondée sur des règles plutôt que l'IA générative. Voilà de quoi adopter prudemment des logiciels structurés et pédagogiques, et non un mandat pour l'agent conversationnel qu'on vous a vanté.

2. Des outils concrets ciblant un seul obstacle, avec de petites études : faible confiance, petits échantillons. Trois résultats montrent ce qu'un outil individuel peut faire, chacun testé sur une poignée d'apprenants. Pour l'attention, Pimenova, Begel et leurs collègues (2026) ont segmenté a posteriori des vidéos pédagogiques en segments à instruction unique avec des pauses fixes ; avec 17 apprenants ayant un TDAH et 10 sans, cela améliorait tout le monde et ramenait les erreurs et hésitations des participants ayant un TDAH à parité, un effet égalisateur issu d'une transformation légère plutôt que d'un produit propre à un diagnostic. Pour l'accès linguistique, Chen et al. (2026) ont ajouté des questions visuelles (horodatages où l'information visuelle risque d'être mal lue) et des questions émotionnelles (horodatages où des apprenants sourds et malentendants précédents ont signalé de la frustration) à un ensemble de référence produit par un Large Language Models (LLMs), générant 30 questions, dix par stratégie ; avec 16 apprenants, l'auto-efficacité atteignait en moyenne 5.70 (ET = 1.12) sur une échelle de sept points, et les questions visuelles étaient davantage choisies par les participants sourds que par les malentendants. Pour la lecture et l'écriture, Rezazadegan et al. (2026) ont exploité les discussions des apprenants dyslexiques sur leurs propres forums et ont constaté qu'ils apprécient l'IA pour le soutien en littératie tout en signalant une qualité de production inégale et un manque d'aménagements équitables ; cette incohérence est elle-même un obstacle. Adoptez ces outils comme des expériences peu coûteuses et réversibles, et non comme une infrastructure figée.

3. L'inventaire dans l'enseignement supérieur : une carte, pas une mesure. Pour l'enseignement supérieur, le tableau est une carte plutôt qu'une mesure. Rempel, Heimann et Prilop (2026) ont passé au crible 766 notices issues de cinq bases de données pour retenir 40 études publiées entre 2015 et 2025. L'IA générative apparaissait dans 15 des 40 et la réalité virtuelle dans 11. La couverture des obstacles était inégale : la lecture et l'écriture (n = 13) et la gestion des études (n = 12) dominaient, l'attention (n = 4) et la communication sociale (n = 5) étaient négligées, et seules 6 études traitaient plus d'un obstacle. La revue ne couvre que l'enseignement supérieur ; elle exclut par construction le K-12 et les établissements spécialisés, et ne constitue donc pas une donnée probante sur les apprenants plus jeunes. Utilisez-la pour voir quels obstacles ont été traités à votre niveau et lesquels ont à peine été effleurés.

4. La structure et la conception universelle, qui sont étayées par des données et gratuites. Les préférences déclarées des apprenants fournissent le cahier des charges. Zastudil et al. (2026) ont interrogé 24 étudiants neurodivergents en informatique (autistes et/ou ayant un TDAH) et 20 pairs neurotypiques, avec quatre entretiens de suivi : le groupe neurodivergent était mal à l'aise face à des devoirs non structurés ou ambigus et préférait nettement des équipes plus petites travaillant ensemble de façon constante avec des rôles explicitement définis, s'adaptant en choisissant eux-mêmes leurs rôles et en divulguant leur situation de façon stratégique. Leur mise en garde pour le travail médié par l'IA est que le modèle d'interaction d'un outil peut reproduire la même ambiguïté structurelle. La structure est l'intervention la moins coûteuse de cette liste, et la plus souvent omise.

Quoi éviter, y compris les aménagements contre-productifs

• Ne pas fournir l'IA comme aménagement sans l'enseigner. L'échec le plus courant n'est pas le mauvais outil, mais un outil qui n'a pas été enseigné. L'affaire W.A. v. Clarksville/Montgomery County School System (2024) en est la version documentée : un élève à qui l'IA avait été donnée comme aménagement a obtenu son diplôme sans savoir lire, et le tribunal a jugé qu'une éducation publique gratuite et appropriée n'avait pas été fournie.
• Ne pas laisser une interdiction générale de l'IA supprimer un outil d'assistance. Wright (2026) soutient que les règles traitant de la même façon tout « usage de l'IA » sont trop larges, car elles ne distinguent pas la transcription parole-texte et l'OCR de la rédaction générative. Des étudiants présentant des troubles affectant la motricité fine, la lisibilité de l'écriture manuscrite ou la précision de la frappe se sont appuyés sur des produits autonomes de dictée vocale tels que Dragon NaturallySpeaking et sur des OCR autonomes, dont plusieurs ont été abandonnés ou dégradés, la transcription assistée par IA comblant le vide fonctionnel ; une règle formulée comme « pas d'IA » peut donc retirer à l'étudiant son principal moyen de produire un travail lisible, et l'ampleur de ce déplacement n'a pas été mesurée. Traitez la transcription et l'OCR comme des aménagements à nommer explicitement dans la politique plutôt que comme ses victimes ; l'exposition que cela crée relève des Legal Issues and Risks.
• Ne pas organiser le soutien autour du seul diagnostic. Le constat central de la revue exploratoire est une critique : la littérature est dominée par des aménagements individuels et des outils propres à un seul neurotype, organisés autour du diagnostic formel, alors que les différences fonctionnelles qu'ils traitent traversent les neurotypes et sont masquées par la catégorisation diagnostique. Les étudiants dyslexiques tendent à bénéficier d'un moindre recours à un matériel uniquement écrit, et les étudiants autistes comme ceux ayant un TDAH peuvent connaître des fluctuations fréquentes de leur concentration, ce qui rend la performance sensible à une structure constante et à un temps suffisant pour changer de tâche. Un outil adapté à une étiquette peut manquer l'obstacle que l'étudiant a réellement. La même prudence s'applique aux statistiques de groupe : la plus grande méta-analyse de cette base de connaissances rapporte un effet nettement plus important pour les étudiants ayant des troubles spécifiques des apprentissages, des déficiences intellectuelles et développementales ou une surdité que pour les étudiants avec un trouble du spectre de l'autisme, cet écart étant rapporté comme non statistiquement significatif entre ses tailles d'effet (voir Differential Effects Across Learner Groups).
• Ne pas faire de l'auto-identification le prix de l'accès. Un aménagement exige que l'étudiant se déclare comme ayant besoin de dispositions particulières, ce qui porte une stigmatisation ; la conception universelle supprime cette étape.
• Ne pas ignorer les effets d'inversion. La sur-dépendance aux agents conversationnels et la surcharge cognitive des environnements immersifs sont documentées comme des effets d'inversion, où l'ajout de la technologie fait baisser l'apprentissage. Un outil qui ne fait que reproduire l'enseignement existant sous forme numérique doit être censé produire des gains d'apprentissage limités.
• Ne pas déployer des outils dont la fiabilité n'est pas prouvée. Des étudiants dyslexiques utilisant l'IA pour du soutien en littératie signalaient une réelle valeur à côté d'une qualité de production peu fiable ; un outil sur lequel on ne peut pas compter ajoute du travail au lieu d'en retirer.
• Ne pas accepter les produits tels qu'ils arrivent. Inscrivez la conception universelle et le développement participatif comme exigences d'achat plutôt que d'accepter ce qu'on vous vend ; la revue exploratoire recommande de construire des outils avec les étudiants neurodivergents plutôt que pour eux, et son propre échantillon montre à quel point cela est rare, avec seulement 3 des 40 études traitant l'environnement ou les pairs neurotypiques comme objet d'intervention.
• Ne pas acheter l'option la plus immersive par défaut. La réalité virtuelle est l'option la plus gourmande en ressources de l'ensemble. Les technologies d'assistance ont besoin d'appareils et de connectivité, et des outils gratuits en phase pilote passent régulièrement derrière un paiement.
• Ne pas laisser le biais d'automatisation tenir lieu de jugement. Les auteurs de LUDIA nomment une limite qui a sa place dans tout plan de déploiement : le biais d'automatisation fait que l'éducateur le plus susceptible d'accepter une mauvaise suggestion est celui qui croit que l'outil connaît la conception universelle de l'apprentissage. Personne n'a non plus testé ses productions du point de vue d'un biais culturel ou linguistique.

Comment savoir si un outil aide cet étudiant

Les effets agrégés vous indiquent une direction ; ils ne vous disent pas si l'outil fonctionne pour l'étudiant de votre groupe la semaine prochaine. Trois mises en garde devraient orienter tout essai.

D'abord, l'ordre des sous-groupes est suggestif plutôt qu'établi. La méta-analyse de 2024 ne peut pas dire quelle décision de conception est la meilleure : aucun modérateur, quel qu'il soit, n'a atteint la significativité, de sorte que des classements tels que les agents instructifs (g = 1.100) devant les coachs socio-émotionnels (g = 0.336), ou l'interaction dyadique devant la triadic (g = 0.973 contre g = 0.385), ne devraient pas être considérés comme acquis. La position défendable est que la direction de l'effet est étayée, tandis que sa taille, l'optimum de conception et la durabilité de tout gain ne le sont pas.

Ensuite, le corpus décrit davantage des déploiements et des perceptions que des apprentissages mesurés. L'attention (n = 4) et la communication sociale (n = 5) sont les obstacles les moins étudiés, et seules 6 des 40 études en servaient plus d'un. La rareté des devis (quasi) expérimentaux et longitudinaux, ainsi que l'hétérogénéité des outils et des résultats, expliquent pourquoi le travail sur l'enseignement supérieur est une revue exploratoire plutôt qu'une méta-analyse. La couverture penche vers le premier cycle et le Nord global, la recherche portait sur des travaux évalués par les pairs en langue anglaise, et les étudiants de cycle supérieur sont sous-représentés. Considérez l'engagement et la satisfaction comme des indicateurs faibles ; mesurez l'obstacle que vous vouliez supprimer.

Troisièmement, un outil qui corrige un obstacle peut en laisser un autre. Seules 6 des 40 études servaient plus d'un obstacle ; vérifiez donc l'outil au regard de la difficulté précise signalée par l'étudiant, à savoir la lecture et l'écriture, la gestion des études, l'attention ou la communication sociale, et évaluez par rapport à cet obstacle, et non par rapport à une enquête de satisfaction. Demandez à l'étudiant ; les participants de Zastudil et al. et les personnes qui écrivent sur les forums de Rezazadegan et al. décrivent tous leurs besoins plus précisément que les produits conçus pour eux.

Des objections que vous entendrez

« Nous ne pouvons pas imposer un outil à tout le monde. » Vous le pouvez, lorsque l'outil est une caractéristique de conception plutôt qu'un aménagement personnel. La segmentation vidéo avec des pauses fixes a amélioré tous les apprenants, pas seulement ceux ayant un TDAH, et ramener à parité les erreurs et hésitations des participants ayant un TDAH est exactement le résultat de conception universelle qui supprime le besoin de se déclarer. Le résultat de Pimenova et Begel est un effet égalisateur issu d'une transformation légère plutôt que d'un produit propre à un diagnostic. Associez cela à des réglages accessibles par défaut : la lecture à voix haute, l'OCR et les outils de nivellement de texte reviennent dans les éléments de politique validés de Shin et al. (2026), dont la modélisation thématique fondée sur un LLM et deux tours d'enquêtes Delphi auprès de 17 experts portant sur 12 documents politiques américains relatifs à l'IA en éducation de 2015 à 2025 ont montré que seuls 2 des 12 traitent spécifiquement des troubles des apprentissages, alors que 18 thèmes présents dans les politiques générales sur l'IA ou sur d'autres handicaps (protection des données, gestion des risques juridiques et lignes directrices éthiques, entre autres) sont absents des politiques relatives aux troubles spécifiques des apprentissages.

« Le sous-titrage et la traduction ne sont pas un soutien académique. » Le sous-titrage est un début, pas la totalité de l'accès linguistique. Les invites textuelles ne correspondent pas aux langues premières fondées sur les signes : associez les transcriptions à des indices visuels et émotionnels de contexte et supprimez la complexité inutile, comme le font les questions visuelles et émotionnelles de Chen et al. Et le classement des experts en politiques contredit cette objection : leurs 36 éléments validés se répartissent en cinq thèmes, à savoir apprentissage inclusif et personnalisé (11 éléments, 30.56%), éthique, équité et inclusion (9, 25.00%), autonomisation des étudiants et littératie en IA (6, 16.67%), évaluation et recherche (6, 16.67%) et préparation des éducateurs (4, 11.11%), et ils classaient l'autonomisation des étudiants et la littératie en IA comme les plus essentielles : apprendre à ces étudiants à utiliser l'IA de façon responsable et autonome tout en se prémunissant contre la sur-dépendance.

« Les étudiants doivent être autonomes. » L'autonomie est précisément ce à quoi sert l'enseignement, ce qui explique pourquoi l'outil sans l'enseignement est le mode d'échec. Le thème de la préparation des éducateurs de Shin et al. existe pour la même raison, et les auteurs de LUDIA nomment l'obstacle comme le « fossé entre le savoir et l'action » : les recommandations abondent mais sont rédigées en termes généraux, alors qu'un obstacle est toujours particulier à cette salle, cette semaine. L'ampleur du besoin est facile à sous-estimer : environ 240 millions d'enfants dans le monde vivent avec un handicap, environ la moitié d'entre eux n'étant pas scolarisés dans les pays à revenu faible ou intermédiaire, et environ un tiers des enseignants des systèmes de l'OCDE déclarent manquer des compétences nécessaires pour soutenir les élèves ayant des besoins spécifiques. Le cadre juridique est le Assistive Technology Act (2004) et l'IDEA (2004) des États-Unis, qui placent l'évaluation des technologies d'assistance au sein de chaque programme d'éducation individualisé et exigent une éducation publique gratuite et appropriée, et pourtant aucune ligne directrice formelle fondée sur des données probantes n'aide les éducateurs ou les familles à mettre en œuvre l'IA pour ces apprenants. L'autonomie bâtie sur un outil qui n'a pas été enseigné est ce que la jurisprudence sanctionne.

« Nous n'en avons pas les moyens. » Alors refusez l'option coûteuse par défaut. Le domaine des technologies d'assistance est concentré dans le Nord global, ses outils les plus immersifs sont les moins extensibles, et la réalité virtuelle est l'option la plus gourmande en ressources de l'ensemble. LUDIA est une version travaillée de l'alternative de conception universelle : il met les éducateurs en relation avec la conception universelle de l'apprentissage alors qu'une décision de conception est encore ouverte, et supprime les obstacles d'accès par son architecture, sans coût, sans comptes ni conversations stockées, avec une conformité WCAG 2.2 niveau AA et 13 langues traduites automatiquement, bien que les versions non anglaises puissent porter les présupposés de l'anglais dont elles proviennent. C'est un partenaire de réflexion plutôt qu'un moteur de solutions, qui organise son questionnement autour de la « preuve de confiance » plutôt que de la preuve d'impact, et qui énonce clairement que les auteurs ne disposent d'aucune donnée montrant que l'outil améliore l'apprentissage. Budgétez honnêtement l'autre coût : Shin et al. signalent la fracture numérique, car le prix des outils d'IA avancés peut creuser les écarts entre écoles plus riches et plus pauvres, aux côtés des biais algorithmiques et des lacunes de formation des enseignants.

À faire cette semaine

• Nommer d'abord l'obstacle fonctionnel. Lecture et écriture, gestion des études, attention, communication sociale : vérifiez ensuite si l'outil traite cet obstacle ou seulement un diagnostic.
• Utiliser ce qui est étayé. La segmentation vidéo avec des pauses fixes a réduit l'écart de performance lié au TDAH jusqu'à la parité, et la lecture à voix haute, l'OCR et les outils de nivellement de texte reviennent dans les éléments de politique validés.
• Traiter le sous-titrage comme un début, pas comme la totalité de l'accès linguistique. Associez les transcriptions à des indices visuels et émotionnels de contexte et supprimez la complexité inutile.
• Donner la structure plutôt que demander aux étudiants de l'inférer. Des équipes petites et constantes, des rôles définis, des attentes explicites et le choix de son propre rôle sont les préférences déclarées par les étudiants neurodivergents en informatique.
• Intégrer l'accessibilité aux achats. Inscrivez la conception universelle et le développement participatif comme exigences, privilégiez des outils gratuits et respectueux de la vie privée, et demandez ce qui se passe à la fin de l'offre gratuite.
• Former les personnes, pas seulement déployer. Prévoyez du temps pour que les étudiants apprennent l'outil et pour que le personnel l'intègre aux devoirs ; un aménagement sans enseignement a échoué devant un tribunal.
• Concevoir pour le recoupement des besoins, et surveiller les effets d'inversion. Seules 6 des 40 études servaient plus d'un obstacle ; la sur-dépendance aux agents conversationnels et la surcharge cognitive dans les environnements immersifs peuvent réduire l'apprentissage.
• Rapporter honnêtement les résultats. La plupart des données probantes décrivent des déploiements et des perceptions, et aucun modérateur de conception n'a été établi ; considérez l'engagement et la satisfaction comme des indicateurs faibles.
• Financer la formation et l'intégration aux flux de travail qui transforment un outil accessible en soutien utilisable, et inscrivez le coût des appareils et de la connectivité dans le plan.

Où aller ensuite

Cette page est le point d'entrée pratique et transversal : Universal Design for Learning couvre la philosophie de conception qui prévient les obstacles avant qu'ils n'apparaissent, Assistive Technology la couche d'outils qu'un étudiant utilise, Accessibility la question de savoir si un format peut être perçu et utilisé tout court, et Neurodiversity le prisme qui traite la différence comme une diversité plutôt qu'un déficit, le tout sous l'égide de Inclusive Learning.

Pour les obligations du côté de la recherche, voir incorporating equity, accessibility, privacy, ethics and pedagogical safety into AIED research.