Comment les parents et les enseignants devraient-ils aborder l'IA avec les enfants de moins de 13 ans ?

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

Les conditions d'utilisation de l'éditeur indiquent que l'outil s'adresse aux utilisateurs de 13 ans et plus. La semaine dernière, une enseignante de CE2 vous a montré les poèmes que sa classe avait générés avec cet outil, un parent vous a écrit pour demander si le jouet parlant offert à son fils pour son anniversaire est sûr, et le conseil d'administration veut une politique d'une page avant sa réunion de novembre.

Trois questions s'entremêlent dans cette demande : ce qu'un enfant de six ans peut faire avec ces systèmes, ce que l'école doit aux familles dont les enfants rencontrent l'IA à la maison, et que faire lorsqu'une interdiction n'est pas la réponse que vous pouvez défendre.

La réponse courte à donner au conseil : modulez l'accès par âge, apprenez aux enfants comment ces systèmes sont construits avant d'en confier un, et gardez un adulte dans la boucle partout où l'enfant ne peut pas juger la sortie. Une interdiction générale est l'option la moins étayée. Aucune étude sur les interdictions fondées sur l'âge n'existe dans cette base de connaissances, et l'essentiel de l'exposition de ce groupe d'âge se produit à la maison, là où un règlement scolaire ne porte pas.

La version courte

1. Écrivez la règle par tranche d'âge, pas pour l'ensemble de la scolarité obligatoire. Moins de 9 ans : jeu, fabrication, codage tangible et explications de ce qu'est une machine. De 9 à 12 ans : activités étayées, essentiellement non génératives, sur des plateformes vérifiées, plus un enseignement explicite sur les données et sur ce que l'IA ne peut pas savoir.

2. Placez le chat génératif en dernier dans la séquence, et seulement avec un rôle d'adulte nommé et un objectif énoncé.

3. Vérifiez chaque outil avant adoption sur quatre questions : quels dangers spécifiques aux enfants ont été testés, ce que l'outil fait par défaut des données vocales et des transcriptions, ce qu'il coûte aux familles si l'offre gratuite disparaît, et s'il fonctionne dans les langues que parlent vos familles.

4. Publiez ce que l'école utilise et comment une famille peut le demander. La transparence est une obligation institutionnelle.

5. Tenez la détection hors du plan d'application des règles.

Fixer la règle par tranche d'âge

La conception par paliers n'est pas à inventer. Wang, Chuang et Wu (2026) ont évalué une ressource de littératie en IA organisée par âge, conçue pour le système scolaire taïwanais, en deux éditions : une édition élémentaire pour les 9 à 12 ans, faite d'activités étayées, sur plateforme et non génératives, et une édition avancée pour les 13 à 18 ans, avec raisonnement éthique et usage supervisé de l'IA générative.

Leur évaluation repose sur une seule enquête post-exposition auprès de 831 participants, et la cohorte élémentaire a noté le matériel nettement plus haut sur l'attente de performance, l'attente d'effort, le caractère ludique et l'intention comportementale, le caractère ludique perçu étant le corrélat le plus fort de l'intention dans les deux groupes. Les auteurs sont explicites sur la limite : une trentaine de minutes d'exposition, mesurant l'acceptation et non les apprentissages, la compétence éthique ou l'usage réel. Lisez ce résultat comme la preuve que cette séquence est enseignable et attrayante ; il ne dit rien de son efficacité.

Les deux éditions montrent aussi à quoi sert la frontière. La tranche élémentaire reçoit des activités sur plateforme, étayées et non génératives, de sorte qu'un enfant apprend ce que fait le système sans un système qui lui répond. La tranche avancée associe le raisonnement éthique à un usage génératif supervisé. Les équipes qui attendent que l'engagement suive la sophistication de l'outil constatent généralement l'inverse.

Ce que la gradation vous apporte, c'est un ordre des opérations défendable. Beaucoup d'écoles font l'inverse, achètent le chatbot à l'automne et l'enseignent au printemps ; les données sur cet ordre sont plus bas dans cette page.

Commencer avec les plus jeunes par le jeu, la fabrication et les machines

Play With AI est un programme de préscolaire et de maternelle centré sur le jeu, bâti sur le jeu incarné, le codage tangible comme pont procédural, le dialogue guidé comme étayage réflexif et la co-conception avec les enseignants comme ancrage de durabilité. Au fil des cycles de conception, le confort auto-évalué des enseignants a augmenté, et les enfants ont raisonné sur l'IA comme produit d'une conception humaine, construit le séquençage et le débogage par le codage tangible, et réfléchi à l'équité par le dialogue guidé. AI-Play prend la voie non connectée, avec des activités sans écran que les parents peuvent mener à la maison.

Pour les plus jeunes, le risque est celui de la croyance. Yang, Li et Lee (2025) avertissent que les robots sociaux génératifs peuvent produire des contenus que les enfants en stade préopératoire tiennent pour vrais, que ces systèmes ne sont pas calibrés sur le plan développemental dans la rétroaction qu'ils donnent, et que leur coût et leur disponibilité creusent les fractures existantes. Xu, Girouard et Shi (2026) décrivent le mécanisme comme une redistribution de l'autonomie dans le jeu : le contrôle se déplace vers l'interaction enfant-jouet, contraignant le jeu quand le jouet l'organise et le rendant possible quand le jouet suit l'imagination de l'enfant. Le même jouet peut faire l'un ou l'autre, et c'est pourquoi la présence de l'adulte est la variable de conception que vous maîtrisez.

Le co-usage adulte a ici un sens précis : s'asseoir avec l'enfant, demander ce que le jouet ou l'écran vient de faire, et garder visible la fabrication. Une surveillance silencieuse depuis l'embrasure de la porte n'est pas le même dispositif, et pour un enfant de quatre ans elle manque entièrement le problème de la croyance.

Enseigner le fonctionnement des machines appartient aussi à cette tranche. Tsingidou et al. (2026) trouvent que l'apprentissage par problèmes, la narration et l'étayage sont les stratégies les plus utilisées dans la pensée computationnelle médiée par robot à la maternelle, le séquençage, le débogage et la conception algorithmique étant les compétences les plus évaluées, le plus souvent par TechCheck-K. Beaucoup d'outils de cette littérature ont été développés de façon ad hoc et jamais validés. Sauter l'enseignement, et les risques réapparaissent plus tard sous forme de dépendance excessive.

Faire passer les 9-12 ans à un travail vérifié, essentiellement non génératif

C'est la tranche où les données curriculaires sont les plus solides. Demir et Akar (2026) ont mené un programme de littératie médiatique critique de 18 heures, fondé sur le modèle 5E, auprès de 36 élèves turcs de CM1, couvrant la confidentialité des données, la communication sûre et l'éthique des médias, avec un d de Cohen intergroupes de 1.12 en lecture, 1.18 en écriture et 1.31 en littératie totale. Un programme qui tient dans un semestre et rapporte des effets de cette taille est le résultat le plus encourageant de cette page.

Les 9 à 12 ans bénéficient d'une exposition étayée sur des plateformes que l'école a vérifiées, les parties génératives étant réservées à plus tard et supervisées. Une fois que les enfants savent lire, argumenter et vérifier une affirmation, leur apprendre ce que fait un système devient le travail, et l'outil peut entrer comme objet d'étude plutôt que comme aide.

La frontière suit la capacité plus que l'anniversaire. Un enfant de 9 ans qui lit couramment peut apprendre ce qu'est un corpus d'entraînement et pourquoi un système qui prédit le mot suivant peut produire une réponse fausse avec assurance. Un enfant de 6 ans ne le peut pas, et c'est pourquoi la tranche du jeu et de la fabrication vient en premier, et pourquoi le programme de maternelle passe par le codage tangible plutôt que par les écrans. La lecture, l'argumentation et l'auto-surveillance sont les capacités selon lesquelles vous répartissez réellement les enfants, et l'âge est l'indicateur indirect que les écoles peuvent administrer.

Placer la règle là où se trouve réellement l'exposition

Partez du principe que la responsabilité restera floue si vous ne la tranchez pas par écrit. Dans des entretiens avec 33 enseignants américains de la scolarité obligatoire, Xiao et al. (2026) ont constaté que 10 d'entre eux citaient le scénario du compagnon face aux parents comme le plus préoccupant, 17 estimaient qu'un enseignant devrait intervenir et 11 que cela dépendait. Leur critère de visibilité laissait l'usage de l'IA à la maison hors de la juridiction de l'école en l'absence d'effets observables, et les parents ressortaient comme premiers responsables tout en étant décrits comme mal informés ou débordés. C'est un vide de compétence, et une politique écrite comme si ce vide n'existait pas ne régit que la moitié facile du problème.

Fan, Li et Zhang (2026) formalisent les arrangements en modèles additif, synergique et compensatoire, et affirment clairement que la version synergique n'a aucune donnée probante. Un dispositif famille-école qui fonctionne doit être construit exprès, ce qui suppose de dire aux parents quoi faire à la maison et pas seulement quoi éviter.

La transparence est le travail de l'école, pas l'enquête de la famille. Écrivez quels outils l'école utilise, quelles données ils conservent et comment une famille peut poser la question. Confidentialité, sécurité pédagogique et déclaration d'usage de l'IA couvrent le fond, et la synthèse sur l'équité, l'éthique, la confidentialité et la sécurité couvre la minceur de tout cela en pratique.

Vérifier l'outil avant de l'adopter

Partez du principe que la couche de sécurité n'a pas été conçue pour vos élèves. Un cadre d'évaluation de la sécurité des enfants fondé sur l'avis d'experts et sur des données d'incidents réels constate que la plupart des cadres et des bancs d'essai de sécurité de l'IA visent des utilisateurs adultes malgré des preuves d'un engagement massif des jeunes, et qu'une enquête nationale citée dans ce travail a trouvé que 72% des adolescents américains avaient utilisé des compagnons IA. Lorsque trois modèles Llama Guard ont été testés sur des invites dangereuses liées à l'éducation, ils ont eu du mal à les identifier.

Quatre questions vous feront gagner un cycle d'achat. Quels dangers spécifiques aux enfants ont été testés ? Que deviennent par défaut les enregistrements, les transcriptions et les données vocales ? Combien cela coûtera-t-il aux familles si l'offre gratuite disparaît ? L'outil fonctionne-t-il dans les langues que parlent vos familles ?

Une étude de cas d'un atelier de fabrication non mixte (Liu et al. 2026) montre pourquoi les trois dernières questions ne sont pas des notes de bas de page. Les parents ont rapporté que les filles devenaient craintives et parlaient moins dans des contextes mixtes, qu'un générateur d'images gratuit avait retiré ses fonctions gratuites au profit d'une offre payante que l'association ne pouvait pas absorber, et que des invites en anglais seulement excluaient des familles que le programme était censé servir.

La confiance du personnel est un contrôle de confidentialité autant qu'un objectif de formation. Une étude en contextes de petite enfance trouve que l'utilité perçue et la facilité d'usage sont centrales dans l'intention des enseignants de maternelle d'utiliser l'IA, que l'auto-efficacité vis-à-vis de l'IA est un prédicteur significatif, que l'anxiété face à l'IA est un frein et que la norme subjective (collègues et direction) façonne l'intention. Un personnel incapable d'évaluer un outil ne remarquera pas ce qu'il collecte.

Donner à l'adulte un rôle défini

Laissez le rôle indéfini et autre chose le prendra. ParaTutor (Luo et al. 2026) a séparé les rôles du parent et de l'enfant dans un tutorat de mathématiques à domicile médié par un LLM, avec 23 dyades parent-enfant, enfants de 10 à 12 ans, sur quatre conditions. L'assistance générique tendait à déplacer le rôle de tuteur du parent ; l'interface à rôles séparés le préservait. Les parents ont aussi buté sur le contenu et sur la manière d'en parler, ce qui est une exigence de conception et non un échec parental.

Les compagnons qui lisent avec les enfants demandent le même soin. Liao (2026) a constaté qu'un compagnon IA à rôle de pair fixe produisait des interactions nettement plus longues mais une part moindre de mots et de phrases venant de l'élève, et qu'il était plus fort sur le rappel factuel que sur la réflexion émotionnelle ou tournée vers l'avenir. D'où le rôle de conseiller parental dans le cadre proposé, et le vide de soutien que l'article nomme pour les enseignants et les parents.

Une partie de ce travail revient à des personnes humaines quoi que l'outil sache faire. Raave et ses collègues (2026) ont comparé un agent conversationnel d'IA générative à des éducateurs humains animant des activités narratives d'apprentissage socio-émotionnel avec un enfant IA statique : 18 simulations par animateur, 108 observations, évaluées en aveugle du type d'animateur. L'agent était fort sur le ton respectueux et l'étayage procédural de routine. Les éducateurs humains étaient plus forts sur l'instruction socio-émotionnelle approfondie, la conduite de la réflexion et la construction des savoirs socio-émotionnels. L'apprentissage socio-émotionnel précoce devrait par défaut relever de la complémentarité, l'adulte tenant la partie réflexive.

Le rôle a besoin d'un nom sur une page. Décidez qui s'assoit avec l'enfant pendant une séance, qui lit ce que le système a conservé et qui répond au parent qui demande ce qui s'est passé. Dans une classe de primaire, ce sont généralement l'enseignant de la classe pour les deux premiers et le directeur pour le troisième. Écrit, le dispositif survit à une absence de personnel.

Garder visible la pensée de l'enfant

Le schéma à surveiller, c'est une qualité de production qui monte pendant que le travail sans aide baisse. Une analyse secondaire portant sur 26.811 élèves du secondaire a trouvé que les notes de devoirs montaient tandis que celles d'examens sans documents baissaient, d'où la recommandation de surveiller les intrants plutôt que seulement les produits. Dans une classe de primaire, cela signifie regarder la rédaction, l'explication et la révision, et traiter un artefact soudainement poli comme une question plutôt que comme une réussite.

Les données sur l'écriture au primaire soutiennent les outils utilisés à l'intérieur de l'enseignement. Une revue systématique de 8 études sur l'IA dans l'enseignement de l'écriture au primaire entre 2019 et 2025 trouve que les outils conversationnels soutiennent la pratique de l'écriture et que les outils multimodaux étendent la composition au-delà du texte, tout en concluant que l'évaluation automatisée exige encore une supervision humaine pour l'équité et l'exactitude. Un programme d'écriture d'opinion assisté par IA générative sur neuf semaines avec 301 élèves de CM1 et CM2 a élevé le soi idéal d'écrivain et la résilience académique et stimulé l'engagement comportemental et émotionnel. Il n'a pas modifié l'état d'esprit de croissance, l'engagement cognitif ou métacognitif, ni l'organisation, et les auteurs nomment les risques : dépendance excessive, recherche de raccourcis et affaiblissement de l'auto-surveillance.

Traiter la mauvaise réponse sous les yeux de l'enfant

Supprimer une mauvaise sortie apprend à l'enfant que les sorties sont soit correctes, soit interdites. Demander comment il la vérifierait lui enseigne l'habitude que vous voulez. Un enfant dont le chatbot se trompe sur un détail factuel peut être envoyé vers deux autres sources, avec la question de savoir laquelle contredit l'autre, et l'habitude se transporte vers le prochain système qui parle avec assurance.

Quand un enfant dit que le compagnon l'a « compris », c'est la conversation à avoir. Un système qui prédit le mot suivant n'a aucun modèle de l'enfant, et la question utile est ce qu'il aurait eu besoin de savoir pour comprendre. Restez concret et évitez le cours sur les réseaux de neurones.

La fluidité achète la croyance, et c'est le mécanisme à surveiller. Une étude d'écriture multimodale en CM1 a trouvé que la visualisation des récits des enfants produisait des gains durables en interprétation, analyse, évaluation et explication, sans gain en inférence : une fois les images rendant le sens explicite, les enfants déclaraient moins besoin de l'inférer. Une réponse IA fluide fait le même travail, en fournissant l'inférence que l'enfant aurait autrement faite lui-même.

Certaines des conversations les plus difficiles ont un véhicule. REMind utilise le théâtre appliqué médié par robot pour l'intervention des témoins de harcèlement : les enfants regardent une scène de harcèlement jouée par des robots sociaux et s'exercent à des stratégies de défense en manipulant un avatar robotique. Dans un test de jeu à méthodes mixtes avec 18 enfants de 9 et 10 ans, il a soutenu l'auto-efficacité, la prise de perspective et la compréhension des conséquences de la défense. Robots et jeu de rôle portent un sujet difficile avec un adulte dans la pièce.

Rien de tout cela n'est une intervention testée pour apprendre à un enfant à vérifier une réponse d'IA. C'est ce que les données sur la fluidité, la croyance et le jeu de rôle impliquent, et le personnel devrait le traiter comme une pratique et non comme une preuve.

Ce que vous pouvez promettre au conseil

Arthars et ses collègues (2026) ont passé en revue 271 articles empiriques sur l'IA générative de la préscolarisation à la fin du secondaire et n'ont trouvé aucun effet unique de l'IA générative. Les gains affectifs sont fréquents et de faibles indicateurs d'apprentissage ; les données les plus cohérentes concernent l'amélioration de la performance immédiate et de la qualité du produit ; les données sur l'apprentissage durable, le transfert et l'autorégulation soutenue sont inégales. Les résultats dépendent de cinq conditions enchevêtrées : l'apprenant, l'outil, la tâche, les arrangements sociaux, et le contexte culturel et institutionnel. Leur cadre distingue quatre fonctions pédagogiques — apprendre de l'IA, avec elle, à son sujet, ou en la façonnant — et demande si un élève abandonne, décharge ou exerce son autonomie.

Pour cette tranche d'âge, cela correspond à une séquence : d'abord à son sujet et en la façonnant, de l'IA plus tard, co-usage adulte partout où l'enfant ne peut pas encore évaluer la sortie, et aucune affirmation sur un apprentissage durable à partir du beau produit d'un après-midi.

Un document pour le conseil peut promettre une date de révision et une définition de la réussite que votre école peut réellement vérifier : leçons dispensées, enseignants capables de répondre à la question d'un parent, demandes de données traitées par écrit. Revendiquer un gain d'apprentissage dépasserait toutes les études citées ici.

Il n'existe aucune étude sur les interdictions fondées sur l'âge dans cette base de connaissances. Rien ici ne permet de trancher si les interdictions qui apparaissent aujourd'hui dans certains systèmes scolaires fonctionnent, et la version honnête de cette phrase a sa place dans votre document. Ce que les données montrent, c'est que l'alternative à une interdiction n'est pas le laisser-faire. L'étude sur la disponibilité de l'IA générative comparée à son intégration a trouvé que rendre l'IA générative disponible sans apprendre aux élèves à l'utiliser était associé à une performance nettement plus faible sur des questions appliquées (ω² = 0.35), tandis qu'enseigner explicitement son usage pour des tâches comme le résumé ramenait la performance appliquée aux niveaux antérieurs à l'IA générative et dépassait la référence sur un questionnaire plus difficile. Cette tranche d'âge peut être enseignée : le programme de CM1 cité plus haut a produit des effets de d = 1.12 à 1.31.

Ce que les écoles font mal

« Moins de 13 ans, c'est pas d'IA. » La gradation publiée place les activités non génératives et étayées dans la tranche 9-12 ans et réserve l'usage génératif aux 13 ans et plus. Une école qui interdit tout n'a aucun programme dans ce domaine, et ses enfants rencontrent les outils à la maison sans la leçon.

« L'outil est conforme, donc il est sûr. » La plupart des cadres et des bancs d'essai visent des adultes, et trois modèles Llama Guard ont eu du mal sur des invites dangereuses liées à l'éducation. La paperasse de conformité répond à une question d'achat. Elle ne répond pas à la question du danger.

« Une phrase de politique, c'est une politique. » Nash et Burriss (2026) ont trouvé que 26 enseignants en formation sur 27 autorisaient un certain usage de l'IA selon des conditions fixées par l'enseignant et qu'un seul l'interdisait entièrement, les limites étant rarement opérationnalisées : une politique autorisait l'IA « pour lancer votre réflexion » puis déclarait « c'est ici que la ligne doit être tracée » sans dire où. Une analyse comparative de politiques institutionnelles et de programmes de cours a trouvé que les institutions encourageaient largement l'usage de l'IA générative dans 63% de 116 politiques, tandis que la moitié de 98 programmes de cours l'interdisait purement et simplement. Une analyse, au prisme du cadre UNESCO, des politiques de 30 universités ajoute que les principes d'éthique et de gouvernance sont largement adoptés tandis que l'inclusion, l'équité, l'accès à internet et l'impact environnemental sont souvent négligés, beaucoup de dispositions restant déclaratives.

« Les parents couvriront la moitié familiale. » Les 33 enseignants décrivaient les parents comme premiers responsables et aussi comme mal informés ou débordés. Le modèle synergique famille-école n'a pas encore de données probantes. Il doit être construit.

« Les enfants de six ans ne peuvent pas comprendre comment fonctionne une machine. » Les enfants du programme préscolaire raisonnaient sur l'IA comme produit d'une conception humaine, construisaient le séquençage et le débogage par le codage tangible et réfléchissaient à l'équité par le dialogue guidé. La littérature sur la robotique à la maternelle place le séquençage, le débogage et la conception algorithmique parmi les compétences les plus évaluées dans cette tranche. La capacité est là. Le programme, généralement, ne l'est pas.

Ce qui va vous revenir dessus

« Interdisez. C'est la seule ligne défendable. » Aucune étude de ces interdictions n'existe, donc personne ne peut vous dire qu'elles fonctionnent, et la voie d'application est faible. Bassett et al. (2026) soutiennent que la détection ne devrait pas être utilisée en éducation du tout : ses estimations sont probabilistes et invérifiables parce que l'origine réelle d'un texte est inconnue, son usage viole l'équité procédurale puisque les scores des détecteurs n'atteignent pas le standard qu'exigent les enquêtes d'intégrité, et la détection « ne protège pas l'intégrité académique ; elle la sape », en érodant la confiance. Une interdiction ne régit en outre que le canal le moins important, puisque les applications de compagnonnage, les jouets IA et le tutorat familial se produisent à la maison, hors de portée de l'école.

« L'enfant de tout le monde l'utilise déjà. » En partie vrai, et le chiffre cité concerne généralement les adolescents : 72% des adolescents américains avaient utilisé des compagnons IA dans l'enquête citée par les travaux sur la sécurité des enfants. Ce n'est pas votre enfant de dix ans. La revue de 271 articles n'a trouvé aucun effet unique de l'IA générative, donc ce que font les pairs vous dit ce qui est normal, pas ce qui est sûr ou utile.

« Nous sommes une école. Pourquoi menons-nous une campagne parentale ? » Parce que l'exposition est là. Dix des 33 enseignants citaient le scénario du compagnon à la maison comme la chose la plus préoccupante qu'ils rencontraient, et le critère de visibilité le laissait hors de leur juridiction. Une école qui publie ce qu'elle utilise, ce qu'elle recommande à la maison et comment poser des questions régit une plus grande part du problème qu'une école qui écrit une règle pour son propre réseau.

« La surveillance les tiendra honnêtes. » Mohamed et Temimi (2026) modélisent cela comme une information imparfaite : l'élève sait comment le travail a été produit et l'institution ne voit que l'artefact. La dissuasion passe par la discrimination du détecteur entre usage dissimulé et travail légitime plutôt que par son taux de détection brut, et quand les faux positifs augmentent plus vite que les vrais, une surveillance plus forte rend la dissimulation relativement plus attractive. Qu et Wang (2026) ont trouvé que la non-déclaration chez 409 étudiants de licence relevait d'une adaptation stratégique aux normes des pairs et d'une faible confiance interprétative, non d'une négligence morale.

« Nos familles ne peuvent pas se payer ce que vous recommandez. » Le cas de l'atelier de fabrication est l'avertissement : une offre gratuite a disparu au profit d'une offre payante que l'association ne pouvait pas absorber, et des invites en anglais seulement ont exclu des familles. Un achat qui suppose une offre payante est une politique qui creuse la fracture que vous cherchiez à combler.

« Nos enseignants ne sont formés à rien de tout cela. » Souvent vrai, et la solution est plus petite qu'elle n'en a l'air. Dans le programme préscolaire, le confort auto-évalué des enseignants a augmenté au fil des cycles de conception, ce que fait la co-conception et que ne fait pas une journée de formation. En contextes de petite enfance, l'auto-efficacité prédit l'intention d'utiliser l'IA et l'anxiété la freine. Commencez par une leçon dans une classe et laissez le personnel qui l'anime écrire les recommandations.

« Toute cette prudence est une panique morale à propos de jouets. » L'incertitude est réelle ici, et la revue de 271 articles en est le résumé honnête. L'argument pour enseigner plutôt qu'interdire repose sur un vide juridictionnel, une voie d'application ratée et un programme de CM1 qui a déplacé la littératie de plus d'un écart-type en dix-huit heures.

À faire cette semaine

1. Écrivez les tranches d'âge sur une page : ce que font les moins de 9 ans, ce que font les 9-12 ans, et ce qui exige un adulte nommé et un objectif énoncé.

2. Portez les quatre questions de vérification à qui signe le contrat logiciel, et demandez des réponses par écrit.

3. Envoyez aux familles une note d'une page listant ce que l'école utilise, ce qu'elle conserve et à qui s'adresser.

4. Choisissez une activité non générative pour la tranche la plus jeune et une leçon de littératie médiatique pour la tranche 9-12, et inscrivez-les au programme du trimestre.

5. Retirez la détection du projet de politique, remplacez-la par une règle sur ce que l'école fournira ou ne fournira pas, et fixez une date de révision avec trois points à vérifier : ce que les enseignants ont utilisé, ce que les familles ont demandé, et si les leçons 9-12 ont eu lieu.

Où aller ensuite

Quel est l'impact de l'IA sur les étudiants ? couvre ce que les outils font à l'apprentissage, et Comment intégrer la littératie en IA dans mon cours ? avec Littératie en IA couvre ce qu'il faut enseigner. Parents et familles et Éducation de la petite enfance contiennent la base de recherche de cette page, et Comment la recherche sur l'IA en éducation doit-elle intégrer l'équité, l'accessibilité, la confidentialité, l'éthique et la sécurité pédagogique ? est où se poursuit l'argument sur la confidentialité et la sécurité. Si votre question porte sur l'évaluation pour des élèves plus âgés, Devrait-on utiliser des détecteurs d'IA ? et Comment puis-je réduire la triche par IA dans mon cours ? vont plus loin.