Comment intégrer la littératie en IA dans mon cours ?

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

L'approche la plus solide est de traiter la littératie en IA comme une partie de l'apprentissage disciplinaire, et non comme une leçon autonome sur l'utilisation de ChatGPT. Les étudiants développent une littératie en IA plus utile lorsqu'ils utilisent, questionnent, vérifient, critiquent et prennent des décisions au sujet de l'IA de façon répétée dans des tâches authentiques de cours, plutôt que de simplement apprendre des techniques de prompting ou de suivre une séance d'orientation ponctuelle. Un enseignement efficace combine compétence pratique, évaluation critique, conscience éthique, Metacognition et attention aux moments où l'IA ne devrait pas être jugée fiable ou utilisée.

Un principe de conception utile est réfléchir d'abord, l'IA ensuite. Demandez aux étudiants de former une première interprétation, solution, argumentation, prédiction ou ébauche avant de consulter l'IA. Ils peuvent ensuite comparer leur réflexion à la production de l'IA, repérer les points d'accord et les divergences, vérifier les affirmations et décider ce qu'ils adoptent, le cas échéant. Cela empêche l'IA de se substituer au travail cognitif que le devoir est censé développer. Cette approche rejoint directement les préoccupations liées à la décharge cognitive et à la mésusage de l'IA, où la performance immédiate peut s'améliorer alors même que l'apprentissage autonome se dégrade.

Une synthèse de 2026 portant sur 72 études empiriques de l'IA générative en enseignement de l'informatique rend le point plus net et le chiffre. L'IA générative augmente de façon fiable l'achèvement à court terme et réduit le temps passé sur la tâche (36 études, le résultat le plus solide et le plus répliqué du corpus), mais ces gains d'efficacité « ne se transfèrent pas à la performance autonome » (21 études) : les étudiants terminent davantage tout en comprenant moins, sauf si un engagement critique avec la production est structurellement exigé. Le bénéfice dépend aussi des connaissances préalables : les étudiants bien préparés convertissent l'aide de l'IA en compétence durable, tandis que les étudiants moins préparés risquent de l'utiliser comme une béquille qui supprime l'échec productif. Les auteurs recommandent un accès progressif comme réglage par défaut : d'abord des fondations sans IA, puis un usage guidé avec des tâches d'explication obligatoires, puis une critique réflexive. Voir Generative AI in computing education: a systematic review and a framework for responsible integration.

Exiger l'évaluation, pas seulement la génération

Les activités de littératie en IA devraient exiger une évaluation, et pas seulement une génération. Les étudiants pourraient annoter une réponse d'IA pour y repérer des erreurs factuelles, des affirmations non étayées, des biais, des perspectives manquantes, une confiance inappropriée ou un raisonnement disciplinaire faible. Ils peuvent comparer la production de l'IA à des lectures, des preuves empiriques, des normes professionnelles ou une grille d'évaluation de cours.

Un schéma particulièrement utile consiste à faire produire à l'IA quelque chose de plausible mais imparfait et à demander aux étudiants d'en être le critique ou l'éditeur. Repérer les erreurs de l'IA est une voie importante vers un meilleur calibrage et une pensée de haut niveau.

Traitez l'évaluation comme une compétence enseignable à part entière, et non comme un sous-produit des connaissances disciplinaires. Dans la synthèse sur l'enseignement de l'informatique, les étudiants réussissaient significativement moins bien à corriger du code généré par IA qu'aux tâches d'examen de programmation classiques : preuve directe que l'évaluation et la réparation d'une production d'IA ne se transfèrent pas automatiquement depuis les compétences disciplinaires générales, et que sans enseignement, les étudiants risquent de rendre sans esprit critique un travail incorrect. La revue consolide cela dans son cadre VIE (Verification, Implementation, Equity) et soutient que l'engagement critique devrait être une composante notée et observable du travail des étudiants plutôt qu'une aspiration laissée à la discrétion de chacun, « le mécanisme commun qui relie chaque intervention efficace du corpus ».

Rendre la littératie en IA disciplinaire et récurrente

Des travaux plus récents contestent aussi les conceptions de la littératie en IA comme listes de compétences, et montrent à quoi cela ressemble en pratique. Burriss et al. ont fait composer à 22 élèves de onzième année des messages vidéo d'intérêt public sur les questions d'éthique de l'IA qu'ils vivaient réellement : surveillance scolaire, « laissez-passer » électroniques et accusation algorithmique de plagiat. Ancré dans la littératie posthumaniste critique et la composition multimodale, l'unité demandait aux jeunes de traduire des principes abstraits en films chargés d'émotion ; les étudiants ont massivement représenté le préjudice comme émergeant d'une responsabilité humain-machine enchevêtrée plutôt que d'un outil malveillant, ont retourné le récit de la triche contre la dépendance excessive des adultes à une IA défaillante, et ont malgré tout conclu sur l'autonomie (« la solution est à notre portée »). Les auteurs soutiennent que la narration et la production collaborative et créative appartiennent au cœur d'une pédagogie critique de la littératie en IA, et qu'exiger des étudiants qu'ils composent à propos de l'IA, pour un vrai public, développe une compétence critique que les échelles de compétences classiques, qui présupposent une performance mesurable individuellement, ne peuvent pas voir. Voir "Young Scholar[s] on the Beat": multimodal composition as a form of critical AI literacy pedagogy.

Là où c'est possible, rendez ces activités propres à la discipline et récurrentes. Des règles génériques comme « vérifiez les hallucinations de l'IA » sont moins utiles que de montrer aux étudiants à quoi ressemble une production d'IA peu fiable dans votre domaine : citations fabriquées en histoire, hypothèses invalides en économie, interprétations trompeuses de preuves expérimentales en biologie, décisions de conception mal justifiées en ingénierie, ou écrits superficiellement fluides mais méthodologiquement faibles en psychologie.

La synthèse sur la littératie en IA de la base de connaissances soutient que le mouvement vers l'évaluation critique est le plus évident lorsque les expériences de littératie en IA sont durables et intégrées à un travail de cours authentique plutôt qu'isolées dans des ateliers. Voir A Practical Five-Stage Continuum for AI Literacy in Higher Education. Cela concorde avec les preuves quantitatives : une méta-analyse de 59 interventions de littératie en IA a trouvé les effets les plus importants pour les pédagogies intégrées et réflexives, tout en avertissant que les interventions centrées sur les connaissances montrent des effets mesurés plus grands que celles visant les compétences, les attitudes ou l'éthique.

Inclure l'apprentissage collaboratif

Les activités collaboratives peuvent renforcer ce travail. Le cadre ICAP suggère de dépasser l'exposition passive vers un engagement actif, constructif et interactif. Les étudiants peuvent comparer des invites en binôme, débattre du caractère fiable d'une réponse d'IA, réviser conjointement une production générée par IA ou expliquer à leurs pairs pourquoi ils ont accepté ou rejeté certaines suggestions.

Il est important de noter que les preuves soutiennent les conceptions cognitivement actives et collaboratives. Voir Systematic Review of Collaborative Learning Activities for Promoting AI Literacy.

Évaluer le jugement démontré, pas seulement la confiance

L'évaluation devrait porter sur un jugement démontré plutôt que sur la confiance ou une compétence auto-déclarée. Les étudiants surestiment souvent leur capacité à évaluer l'IA. Au lieu de demander s'ils « se sentent à l'aise avec l'IA », donnez-leur des tâches qui exigent de repérer des erreurs, de vérifier des sources, d'améliorer une production, d'expliquer des limites ou de justifier pourquoi un usage particulier de l'IA est approprié.

La base de connaissances souligne un décalage important entre la littératie en IA auto-déclarée et celle mesurée par la performance, et recommande une évaluation fondée sur la performance. Voir AI Literacy Assessment: Self-Reported vs Performance Misalignment et GLAT: The Generative AI Literacy Assessment Test.

Cela importe parce que l'usage non encadré aboutit par défaut à la forme la plus faible. L'étude présage-processus-produit de Yan et al. auprès de 38 étudiants de premier cycle a trouvé que 76.32% s'appuyaient sur un schéma à tour unique (demander, obtenir la réponse, s'arrêter), que 78.94% n'intégraient l'IA générative qu'avant de commencer ou après avoir rédigé, et que même les étudiants orientés vers la maîtrise se rabattaient sur des processus superficiels : un paradoxe d'efficacité où l'on gagne de la vitesse au prix du travail cognitif qui construit les schémas (« la vitesse à laquelle vous oubliez est elle aussi très grande »). Les auteurs situent la cause dans un « vide institutionnel » : les enseignants interdisent la copie mais enseignent rarement un usage productif. Exiger des traces de processus (l'historique du dialogue, une note de réflexion sur l'usage de l'IA, un journal de révision) rend le flux de travail visible et transforme l'autorégulation en quelque chose qui peut être noté. Voir From cognitive outsourcing to reallocation: a 3P analysis of student-generative AI engagement in unsupervised assessments.

Une mesure par scénarios vous donne une mesure de jugement plutôt qu'une mesure de confiance. Reed et al. (2026) ont présenté des vignettes à des étudiants de premier cycle (utiliser l'IA pour améliorer la grammaire de son propre brouillon, générer des termes de recherche avant de faire soi-même la lecture, rendre un journal de réflexion généré par IA sans apport personnel, modifier minimalement un devoir généré) et ont demandé si chacune était éthique. Le schéma qu'ils rapportent est que les étudiants convergent sur les cas évidents et divergent le plus là où l'outil a fait une partie du travail intellectuel, ce qui est exactement la frontière qu'une politique de cours doit énoncer. Cela fait des vignettes un instrument de classe utilisable : elles font apparaître les désaccords sur lesquels votre politique s'appuie silencieusement, et elles mesurent le jugement sur un cas plutôt qu'une compétence auto-déclarée.

Problèmes et mises en garde

Ne confondez pas la littératie en IA et l'ingénierie de prompts. Des étudiants peuvent devenir techniquement compétents avec l'IA tout en restant mauvais juges de sa production. Certaines dimensions de la littératie en IA orientées vers les compétences sont associées positivement à une dépendance déclarée à l'IA, ce qui suggère qu'un entraînement opérationnel sans régulation de soi, confiance académique et soutien métacognitif peut involontairement encourager une plus grande dépendance.

La littératie en IA a une dimension interactionnelle, et elle présuppose les compétences mêmes qu'elle est censée construire. La démonstration en huit tours de Brunnström et Palmqvist, où un « étudiant naïf » utilise un agent conversationnel lors d'un examen à faire à la maison, a trouvé une production par défaut « soignée mais pédagogiquement mince », et qu'atteindre une boucle d'apprentissage utilisable exigeait huit tours de méta-interventions de l'apprenant (« simplifie », « c'est trop, peux-tu condenser ? »). Ils nomment cette capacité littératie d'interaction avec l'IA (piloter, évaluer et apprendre à partir d'une interaction itérative avec l'IA générative) et en tirent une conclusion d'équité tranchée : parce qu'un usage non guidé impose une compétence inégalement répartie, l'IA générative « peut être surtout bénéfique aux étudiants déjà avantagés ». Enseigner l'interaction, et pas seulement l'outil, est donc une mesure d'équité autant qu'une mesure pédagogique. Voir AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education et How is AI impacting students?.

De même, l'enseignement de la littératie ne peut pas résoudre à lui seul des problèmes qui tiennent au modèle. L'entraînement peut réduire certaines erreurs sans les éliminer. Dans la recherche sur la flagornerie contextuelle, un enseignement de littératie en IA et de prompting réduisait la reprise directe des erreurs des utilisateurs mais n'empêchait pas complètement ces erreurs de se propager dans des conseils ultérieurs de l'IA. Les étudiants doivent donc comprendre qu'un « meilleur prompting » ne rend pas un système d'IA intrinsèquement fiable. Voir The Hidden Cost of Contextual Sycophancy et AI Sycophancy.

L'équité compte aussi. Les étudiants arrivent dans les cours avec un accès préalable différent aux outils payants, une expérience différente du prompting des modèles, des origines linguistiques différentes et des niveaux différents de confiance numérique. Exiger un usage sophistiqué de l'IA sans offrir un accès équitable et un soutien de base peut transformer une exposition antérieure en avantage académique. L'accès, les compétences et les résultats sont des dimensions distinctes du fossé numérique.

Exemples issus de la base de connaissances sur l'IA en éducation

• Économie : les étudiants résolvent d'abord un problème d'économie, obtiennent une réponse d'IA générative, la comparent à leur raisonnement, critiquent l'IA, réfléchissent et discutent avec leurs pairs. Voir Fostering Generative AI Literacy in Economics.
• Psychologie : les étudiants évaluent un communiqué de presse généré par ChatGPT par rapport à une grille de cours, en repèrent les faiblesses et le révisent. Cela développe simultanément la littératie disciplinaire, la littératie de la rétroaction et la littératie en IA. Voir Using Generative AI to Promote Psychological, Feedback, and AI Literacies.
• Biologie : les activités de littératie en IA sont intégrées à l'apprentissage disciplinaire plutôt qu'enseignées comme un sujet technique distinct. Voir Integrating AI Literacy Education in a Biology Class.
• Cours de bases de données et de conception : les étudiants analysent des erreurs générées par l'IA et améliorent itérativement les invites et les solutions, en utilisant l'analyse des échecs comme activité d'apprentissage. Voir The Pedagogy of AI Mistakes.
• Cours universitaires interdisciplinaires : le modèle LearnAI utilise une cocréation avec l'IA juste à temps, intégrée à travers les disciplines, plutôt qu'un module générique unique de littératie en IA. Voir LearnAI: Just-in-Time AI Co-Creation Across Disciplines.
• Physique : un cours d'introduction à la physique des particules repensé autorisait l'IA générative comme partenaire explicite sur des problèmes de type recherche, mais un examen écrit sans aide (moyenne 20.6 sur 80, seuls deux étudiants atteignant 40) a averti que la performance assistée et les connaissances mobilisables de façon autonome sont des acquis distincts : les auteurs soutiennent donc que la littératie en IA, y compris la manière de vérifier les réponses générées et de traiter l'IA comme un enseignant plutôt que comme un copieur, devrait être enseignée tôt, parallèlement à une pratique autonome dédiée. Voir AI in particle physics education: research problems and foundational skills.
• Conception de programme au niveau du programme : le AI Literacy Continuum fournit un modèle développemental qui fait passer les étudiants du non-usage ou d'un usage non critique vers un usage éclairé, l'évaluation critique et l'amélioration. Voir A Practical Five-Stage Continuum for AI Literacy in Higher Education.

À retenir en pratique

Une conception de cours pratique n'est pas simplement « Semaine 2 : comment utiliser ChatGPT ». Identifiez plutôt plusieurs endroits où l'IA croise des jugements disciplinaires importants et construisez des cycles répétés de :

réflexion autonome → usage de l'IA → vérification → critique → révision → réflexion

Les étudiants devraient finir par pouvoir expliquer non seulement comment ils ont utilisé l'IA, mais pourquoi ils ont fait confiance à certaines productions, en ont rejeté d'autres, ce qu'ils ont vérifié, quel travail cognitif restait de leur responsabilité, et quand recourir à l'IA saperait le but de la tâche.

Cette combinaison est bien plus proche du construit de littératie en IA soutenu par les preuves actuelles que la seule compétence opérationnelle. Pour savoir à quel point cette base de preuves est solide, et où elle s'amincit, voir What is the evidence on AI literacy interventions in higher education?.