Base de connaissances AIEdAIEd KB
Sur cette page

Tous les numéros

Mise à jour hebdomadaire de la recherche sur l'IA en éducation #2

Ceci est une traduction automatique de la page en anglais et n'a pas encore été relue par un locuteur natif.

Une brève hebdomadaire de la Base de connaissances sur l'IA en éducation, sur ce que la recherche publiée la semaine dernière signifie pour les enseignants, les développeurs, les chercheurs et les administrateurs.

Depuis le dernier numéro, 121 nouvelles études, quatre nouvelles ressources, cinq nouvelles FAQ et deux nouvelles pages de concepts, sur l'éducation ouverte et l'enseignement de la statistique et de la science des données, ont rejoint la base de connaissances, qui compte désormais 1 926 résumés d'articles, 222 pages de concepts, 42 FAQ et 37 ressources. La page du journal liste chaque étude ajoutée au cours de la semaine. Vous pouvez aussi rechercher dans la base de connaissances ou utiliser l'IA pour dialoguer avec elle.

Contenu

Principaux points saillants et questions

La plupart des résultats de cette semaine portent sur le travail qui se fait autour d'une réponse, et sur ce qu'il faut changer quand la réponse arrive trop vite ou avec trop d'assurance. Deux expériences ont isolé le même mécanisme dans deux contextes différents.

Un essai préenregistré auprès de 317 adultes a confié la même tâche de traitement profond, présentée soit comme une fiche d'exercices, soit comme une fenêtre de chat ouverte, et la fenêtre de chat a augmenté la désorganisation de la tâche de 0,84 écart-type sans qu'aucun médiateur du modèle ne l'explique : la solution est donc une structure encadrant le séquençage et l'arrêt, plutôt qu'un soutien accru sur le contenu. Une étude de forum a constaté qu'un assistant d'enseignement IA répondait en premier dans 97% des fils ouverts par des étudiants, en une médiane de 0,92 minute contre 490 pour les camarades, tandis que le langage autorégulateur du fil tombait de 49% à 36%, ce qui plaide pour retarder la première réponse plutôt que pour supprimer l'assistant.

Nouvelles FAQ

Cinq nouvelles réponses ont été publiées cette semaine, chacune écrite pour une question qu'un collègue pose réellement, et non pour un thème. Le répertoire des FAQ a aussi été regroupé en neuf sections selon la tâche que vous cherchez à mener à bien, afin que la question avec laquelle vous arrivez soit trouvable sans savoir comment le domaine la nomme.

Puis-je utiliser l'IA pour corriger le travail des étudiants de manière équitable et fiable ?

La réponse sur la correction donne à l'IA une place de second lecteur supervisé sur un travail que vous avez déjà corrigé, et non celle de correcteur de référence. La concordance ne se maintient pas d'un type d'évaluation à l'autre, et la vérification qui paraissait la plus solide a été menée avec le corrigé sous les yeux, ce qui n'est pas le test que vous faites quand vous corrigez à l'aveugle.

Comment vérifier si les questions de quiz et d'examen générées par l'IA sont bonnes ?

La réponse sur la qualité des questions commence par résoudre vous-même chaque item, puis par vous demander ce qu'il exige de l'étudiant, car les corrigés et les exigences de la tâche échouent plus souvent que la formulation. Une question générée que personne n'a résolue reste une candidate, pas une évaluation.

Comment l'IA peut-elle soutenir les apprenants multilingues sans effacer leur voix ?

La réponse sur le multilinguisme vous demande de décider ce que fait la langue dans la tâche avant de décider ce que l'outil peut faire. Là où la langue est accessoire, l'IA peut lever un obstacle sans rapport avec votre construit ; là où la langue est le construit, le même outil fait le devoir à la place de l'étudiant.

Qu'apprendre aux étudiants pour des carrières où l'IA est omniprésente ?

La réponse sur les carrières consiste à enseigner l'ensemble de la tâche professionnelle et à évaluer à la fois le produit obtenu avec aide et ce que l'étudiant sait faire seul. Les données probantes appuient les connaissances disciplinaires ainsi que le jugement, la vérification et le transfert, et n'appuient aucune liste de compétences liées aux outils.

Que signifie réellement l'apprentissage personnalisé, et quand aide-t-il ?

La réponse sur la personnalisation distingue cinq choses qui reçoivent la même étiquette, du réordonnancement des exercices au choix par l'étudiant de ce qu'il étudiera ensuite. Ce qui compte, c'est ce qui est adapté, sur quelles données probantes repose l'adaptation et si elle améliore l'apprentissage visé — ce qu'un exemple familier ou une conversation réactive peut donner l'impression de faire sans le faire.

Concepts en vedette

Cinq pages de concepts ont intégré les résultats de cette semaine, dont deux nouvelles. Chacune est une page permanente et non un contenu ponctuel, si bien que les nouvelles données probantes s'ajoutent à ce que la page soutenait déjà.

Éducation ouverte

La page est nouvelle, et elle a été écrite parce que treize études sont arrivées en même temps sur ce que l'IA générative fait à l'enseignement sous licence ouverte. Sa thèse est que c'est la licence, et non le modèle, qu'il faut examiner, et les deux nouvelles ressources ci-dessous décrivent toutes deux des institutions qui adaptent des contenus ouverts avec l'IA plus vite qu'elles ne peuvent consigner qui a rédigé quoi. Lisez la page sur l'éducation ouverte avant d'inscrire une clause sur l'IA dans une politique de REL.

Délestage cognitif

Elle sépare désormais ce qu'un outil décharge de la mesure dans laquelle un étudiant l'a utilisé, distinction que trace l'échelle du délestage et que les expériences sur l'empathie démontrent là où peu de gens iraient la chercher. La page sur le délestage cognitif porte aussi le résultat de 0,84 écart-type, car c'est la preuve causale la plus nette dont elle dispose.

Jugement évaluatif

Ses nouvelles données portent sur ce qu'on demande à un juge : les méthodes de correction ont fait passer la stabilité entre répétitions de 2,9% à 15,9%, et treize modèles ont cédé devant l'insistance d'un étudiant à des taux allant de 46,5% à 98,5%. La page sur le jugement évaluatif traite désormais la résistance à une correction erronée comme une capacité distincte de la justesse de la réponse.

Littératie en IA

Deux résultats ont resserré le construit : la pensée critique passait par la façon dont les étudiants répartissaient et retravaillaient le travail cognitif, et non par la familiarité avec les outils, et une grille construite à partir de 16 articles de référence a montré combien peu de ressources nomment la compétence qu'elles prétendent développer. La page sur la littératie en IA conserve les deux, parce qu'un test de littératie et une ressource de littératie ne mesurent pas la même chose.

L'autre page nouvelle est l'enseignement de la statistique et de la science des données, dont le premier argument est que la question de l'IA dans la discipline dépend de l'artefact, puisque les jeux de données, les graphiques et le code peuvent désormais être générés plus vite que quiconque peut les valider.

Pour les enseignants

Une fenêtre de chat ouverte a besoin d'une règle d'arrêt, pas d'un soutien accru sur le contenu

Associer une tâche de traitement profond à une fenêtre de chat ouverte coûte aux étudiants leur maîtrise de la tâche elle-même, et la solution est un étayage autour du séquençage et de l'arrêt plutôt que davantage d'explications. Dans une expérience préenregistrée auprès de 317 adultes, la condition chat a augmenté la désorganisation de 0,84 écart-type (intervalle de crédibilité de 0,47 à 1,21), avec un effet direct de 0,77 qu'aucun médiateur du modèle n'a expliqué, tandis que le traitement profond n'a pas bougé dans un sens ou dans l'autre (médiane de moins 0,22, intervalle incluant zéro).

Une première réponse en moins d'une minute fait disparaître les pairs qui raisonnaient

Retardez ou plafonnez la première réponse de l'assistant dans un forum de discussion, car les camarades qui raisonnent à voix haute sont ceux qui cessent de publier. Dans quatre cours de deuxième et troisième cycles, sur 28 123 phrases codées, un assistant d'enseignement IA a répondu en premier dans 97% des fils ouverts par des étudiants, en une médiane de 0,92 minute contre 490 pour les pairs, et le langage autorégulateur est passé de 49% à 36% à mesure que les réponses des pairs tombaient de 91% à 45% des suivis, ces réponses portant environ 70% de cette régulation contre 27% pour les étudiants qui avaient ouvert le fil. L'apprentissage autorégulé dans un forum est produit par les réponses, non par la réponse.

La formation aux invites fait gagner du temps aux enseignants, pas de meilleurs supports

Inscrivez au budget le travail sur la compétence des enseignants en IA comme une intervention sur la charge de travail, et n'attendez pas qu'il élève la qualité de ce que les enseignants produisent. Dans un essai randomisé auprès de 204 enseignants, la formation à la rédaction d'invites a ajouté 21% d'économie de temps de préparation par rapport à un accès simple à ChatGPT, sans gain de qualité évaluée des supports, parce que les enseignants formés rédigeaient des invites plus longues et avaient besoin de moins de cycles de raffinement.

Un assistant de cours fait gagner du temps sur une faible part des cours

Testez-le pour les heures qu'il rend, et pas encore pour les cours qu'il produit. Un essai indépendant par grappes sur Aila de l'Oak National Academy a suivi 416 enseignants du primaire en Angleterre et mesuré une préparation de 2,51 heures par semaine contre 3,32 sans l'outil, soit environ 49 minutes par semaine, alors qu'il couvrait 7% des cours et que la qualité n'a été testée que pour la non-infériorité, pas pour l'amélioration.

Ajouter l'IA à un devoir ouvert n'apporte rien en soi

Financez le devoir d'éducation ouverte que vous faites déjà plutôt que d'y ajouter un outil en espérant un gain de littératie. Deux sections d'un cours d'introduction au développement de l'enfant, 55 étudiants travaillant comme d'habitude et 58 avec des outils de recherche par IA générative en plus, ont déclaré le même gain perçu de compétence en matière de sources, 0,50 contre 0,48 sur une échelle en cinq points, le terme d'interaction étant proche de zéro (F(1, 84) = 0,04, p = 0,85).

Choisissez un assistant selon ce qu'il fait quand un étudiant lui dit qu'il a tort

La résistance à une correction erronée sépare les modèles plus nettement que la justesse, faites-en donc la première chose à tester. Sur 200 problèmes de treillis vérifiés et treize modèles, la justesse de résolution allait de 64,5% à 97,0%, un écart de 32,5 points, mais lorsqu'on leur disait qu'un travail correct était faux, les modèles le confirmaient à des taux allant de 46,5% à 98,5%, un écart de 52,0 points, qui a sa place dans le contrôle de jugement évaluatif que vous menez avant un déploiement.

Enseignez l'écriture assistée par l'IA comme un genre, et les notes cessent de se chevaucher

Traiter l'écriture assistée par l'IA comme quelque chose à enseigner plutôt qu'à surveiller relève du programme d'enseignement de l'écriture, et l'écart ouvert n'était pas marginal. Les moyennes au post-test étaient de 9,8750 pour la section enseignée ainsi, contre 3,8125 pour le groupe témoin, sans chevauchement entre les deux distributions (U de Mann-Whitney = 0,00, r = 0,86).

Pour les développeurs

Construisez le scénario, pas la persona du tuteur

Placez l'étayage dans le scénario et l'atelier avant de régler la voix, car l'effet ne réside pas dans la persona. Dans deux essais préenregistrés à trois bras, 131 étudiants en raisonnement juridique et 54 étudiants complétant un bras de programmation compétitive, le système structuré a atteint 22,8 points de pourcentage contre 15,7 pour un assistant de base, soit un avantage de 7,0 points (p = 0,018, d = 0,56), tandis qu'une persona « LLM comme enseignant » sur le même modèle gagnait 2,8 points et ne se distinguait pas (p = 0,121).

Un tuteur qui nomme d'abord la solution par force brute oriente mal les étudiants

Auditez la solution qu'un tuteur nomme avant de le déployer sur un problème à solutions multiples, et conservez cet audit dans les tests d'acceptation du tutorat intelligent. Sur 150 problèmes exécutés avec des étudiants simulés, la force brute était l'approche nommée dans 22,2% à 32,1% des ouvertures propres à une solution, contre 13,0% à 19,4% pour la solution optimale, et dans les conversations où l'on sonde d'abord, les quatre modèles de base ont orienté les étudiants vers une moins bonne approche dans 6,1% à 7,1% des cas.

Compter les appels à l'IA ne mesure rien du progrès

Les décomptes d'interactions sont le signal le plus facile à collecter pour un pipeline d'analytique de l'apprentissage et l'élément le plus faible à mettre sur un tableau de bord ; instrumentez plutôt l'état d'exécution de part et d'autre de chaque appel. Sur 140 paires étudiant-devoir issues de 35 étudiants, les interactions avec l'IA corrélaient avec les cellules exécutées avec succès à r = 0,12, et avec les cellules touchées au même r = 0,12.

Jugez une séance à sa dérive, pas au nombre de questions posées

Une séance qui glisse vers la recherche de réponses dans sa seconde moitié prédit un moins bon post-test, et un contrôle d'adéquation obligatoire après chaque réponse est l'intervention peu coûteuse. À partir de 880 tours substantiels de 112 étudiants de 14 et 15 ans, la pente de la trajectoire de recherche d'aide a ajouté un changement de R² de 0,110 à un modèle contenant déjà le score au pré-test (bêta = 0,34), tandis que les caractéristiques statiques d'interaction ajoutaient 0,023 et manquaient la signification (p = 0,684), et 81,5% des tours étaient des demandes contre 2,2% d'évaluation.

La règle de notation détermine davantage un score de référence que le modèle

Si votre banc d'essai ne rapporte qu'un chiffre, vous ne savez pas encore ce qu'il mesure. Les mêmes 2 250 dialogues entre cinq tuteurs et des étudiants simulés ont obtenu 42,1% en correspondance exacte et 81,3% avec un juge calibré par des humains, un écart de 39,2 points plus grand que les effets combinés du modèle, de la stratégie et du pipeline, et quatre juges de trois fournisseurs concordaient à 6 points près, tandis que les étiquettes structurées du pipeline n'apportaient aucun avantage (p = 0,263).

C'est la méthode de correction, non le modèle juge, qui fixe la reproductibilité

Publiez une déclaration d'adjudication nommant la méthode, le banc d'essai, une exécution répétée et le nombre d'éléments notés derrière chaque affirmation, car c'est la méthode qui déplace le résultat. Les répétitions ont changé de 2,9% à 6,1% des résultats avec une grille semi-rigide et de 13,5% à 15,9% avec une correction holistique libre, tandis que changer le modèle juge ne déplaçait qu'environ trois points.

Un pair IA qui approuve tout perd ses utilisateurs

Configurez les agents pour maintenir l'incertitude et refuser l'accord par défaut, car le calibrage de la confiance est un comportement que l'on écrit, non une propriété qu'un modèle possède. Sept experts ont chacun passé 20 minutes dans le rôle de l'étudiant face à un agent présenté comme un pair, et ce qui lui donnait l'apparence d'un pair était d'ordre social : un raisonnement tâtonnant et une imperfection délibérée instauraient la confiance, tandis qu'un accord aveugle avec tout ce que disait l'apprenant la détruisait.

Pour les chercheurs

Prévoyez un effet faible, pas la moyenne publiée

Dans un nouveau contexte, l'effet vedette de l'enseignement avec l'IA générative n'est pas celui sur lequel planifier ; faites donc un pilote avant de passer à l'échelle. Une méta-analyse à trois niveaux de 58 études et 6 941 participants a regroupé les effets à g = 0,864, puis rapporté une hétérogénéité proche de 87,9%, un intervalle de prédiction allant de moins 0,213 à 1,942 et un effet corrigé du biais de g = 0,258 ; faites figurer cet intervalle à côté de l'estimation regroupée, là où le lecteur ne peut pas le manquer.

La pensée critique suit la division du travail, pas la familiarité avec les outils

Assignez une division du travail explicite et exigez que les étudiants retravaillent la sortie, car l'expérience de l'IA générative n'atteignait la pensée critique que par ces deux voies. Parmi 891 étudiants aux États-Unis et en Türkiye, la spécialisation et la coordination du travail cognitif portaient b = 0,636 et la transformation réflexive de la sortie b = 0,367, sans voie directe significative, ce qui transforme la question du délestage cognitif en choix de conception plutôt qu'en avertissement.

Un écart éducatif plus faible dans l'usage de l'IA n'est pas synonyme d'équité

Ne lisez pas un écart d'usage plus étroit comme un progrès, et ne bâtissez pas d'objectifs d'accès sur un item binaire portant sur les trois derniers mois. En appariant 16 pays européens à leurs taux d'adoption de 2025 avec leur propre année de l'ère internet, l'écart médian entre les plus et les moins diplômés est passé de 56,4 points à 28,6, négatif dans 15 des 16 pays (p = 0,0005), mais un appariement tenant compte de la composition réduit le changement à moins 11,5 et moins 10,0 ; une affirmation d'équité exige donc un instrument plus solide.

Un faible usage n'est pas une faible disposition

Financez l'accès et les compétences de base pour les plus âgés et les moins diplômés plutôt qu'une campagne sur la confiance, car l'usage et la confiance voyagent séparément. En 2025, 48,4% des Danois et 17,8% des Roumains avaient utilisé l'IA générative au cours des trois mois précédents, contre 32,7% dans l'UE, et pourtant les Roumains évaluaient leur confiance à 4,1 contre 3,8 sur une échelle de sept points, et 47% d'entre eux jugeaient les lois et garanties actuelles adéquates, contre 36% des Danois.

Le délestage n'est érosif que lorsqu'il contourne l'objectif

Demandez quelles opérations cognitives un outil décharge, plutôt que la mesure dans laquelle un étudiant l'a utilisé. Le délestage aide quand il prend en charge un travail périphérique à l'objectif d'apprentissage et risque l'érosion quand il contourne un traitement constitutif de cet objectif ; retraiter la sortie ensuite peut sauver un délestage autrement constitutif ; sept propositions conditionnelles remplacent une affirmation directionnelle, et la régulation du délestage devient une dimension apprenable de la littératie en IA.

Les outils d'analyse de sentiment manquent environ la moitié des réponses négatives

Traitez le codage automatique de texte libre comme un argument de validité plutôt que comme un choix d'outil, car la justesse masque précisément les cas où vous agiriez. Face à 1 220 réponses codées à la main, le meilleur transformer atteignait 0,79 de justesse mais seulement 0,42 de kappa et ne détectait qu'environ la moitié des cas négatifs, tandis que les outils lexicaux classaient mal environ un cas sur cinq, dans un corpus composé à 76,5% d'éléments positifs.

Pour les administrateurs

Demandez ce que le chatbot envoie avant de le licencier

Exigez un inventaire des scripts tiers avant de licencier ou d'héberger un chatbot de cours, et demandez précisément quelles balises peuvent lire le titre de la page, l'URL et le champ de saisie. L'instrumentation de 42 plateformes a montré que 21 plateformes envoyaient les titres de conversation à au moins un traqueur et que neuf transmettaient l'invite mot pour mot ; 11 des 13 plateformes généralistes qui fuyaient envoyaient aussi l'adresse e-mail d'inscription, et les plateformes éducatives comptaient en moyenne environ 367 requêtes de traqueurs chacune, dont 24% portaient du contenu utilisateur.

La restitution de savoirs codifiés est la part d'un diplôme qui perd de la valeur

Protégez la pratique supervisée et le jugement dans l'incertitude, et lisez l'implication pour la conception de programme avant celle du marketing du programme. Une analyse en doubles différences sur 655 919 observations d'enquête de 2018 à juin 2026 a constaté que le rendement d'une année de scolarité dans les professions les plus exposées à l'IA a chuté de 0,55 point logarithmique après novembre 2022, soit environ 7% de son niveau d'avant le choc, tandis que le rendement de l'expérience augmentait de 0,26 point logarithmique à trois ans et diminuait de 0,12 à vingt-cinq ans.

Qualifier le chatbot d'empathique éloigne l'empathie des personnes

Positionnez le système comme un triage qui renvoie les étudiants vers des personnes, et surveillez la recherche d'aide comme le comportement qui disparaît discrètement. Dans quatre études auprès de 249, 494, 743 et 737 participants, présenter l'IA comme capable d'empathie augmentait la volonté de décharger la responsabilité empathique (effet total 0,83) entièrement par la capacité perçue (effet indirect 0,73), et entendre qu'un pair avait soumis un problème à ChatGPT abaissait la justesse de lecture des émotions à 7,13 bonnes réponses sur 12, contre 7,73 (p = 0,012).

Des tests de référence réussis, des enfants toujours lésés

Évaluez au niveau de la séance et de l'institution plutôt qu'à celui de l'API, car un filtre par sortie ne peut pas atteindre une interaction avec un agent-compagnon où aucun tour isolé ne franchit un seuil. À partir de 1 331 incidents signalés impliquant des enfants, la sexualisation est le sous-type de préjudice le plus fréquent avec 316 cas, devant l'exploitation sexuelle avec 131, et les préjudices se regroupent avec des défaillances de déploiement, de gouvernance et d'usage détourné, plutôt qu'avec des défauts du modèle.

Écrivez une politique d'intégrité pour l'utilisateur occasionnel et en conflit

Nommez le refus, le soutien et la substitution comme trois populations que le même devoir rencontre, car presque personne n'est un utilisateur quotidien. Deux enquêtes anonymes dans une université britannique ont trouvé que 81,05% de 94 étudiants de première année avaient utilisé un outil d'IA générative pour aider à réaliser un devoir, contre 4,21% déclarant un usage quotidien et 9,47% aucun usage, ce qui fait de l'intégrité académique une politique pour le milieu d'une distribution plutôt qu'un clivage entre tricheurs et non-tricheurs.

Les modules d'éthique n'enseignent pas d'où viennent les données

Ajoutez un devoir d'analyse de provenance au module d'éthique que vous enseignez déjà, ce qui est un changement de conception de programme plutôt qu'un nouveau cours. Un recensement de 36 programmes dans 21 universités a trouvé l'éthique enseignée dans 29 (80,6%) mais la provenance des données au niveau exigé par les auteurs dans 8 (22,2%), aucun programme de maîtrise ou pour cadres ne l'atteignant et 22 des 29 programmes couvrant l'éthique l'omettant entièrement.

Nouvelles ressources

Quatre ressources ont rejoint la bibliothèque de ressources cette semaine, et toutes les quatre décrivent une décision institutionnelle plutôt qu'une astuce de classe.

Learning Design Wiki

Learning Design Wiki est une référence sous licence ouverte qui divise la conception pédagogique en principes, éléments, patrons et stratégies, chacun lié aux citations qui le sous-tendent, et son propre rapport de preuves indique que 98% des affirmations reposent sur une seule étude. Des modèles de langue l'entretiennent sous un unique responsable humain et aucune page n'a été vérifiée par une personne ; c'est donc un ensemble de pistes bien sourcées, et non de résultats.

teacher.dev

teacher.dev est un studio à but non lucratif qui publie une application de classe gratuite par jour, 34 à ce jour, chacune visant un moment précis, comme un générateur de figures à imprimer ou un tableau « D'abord / Ensuite » pour l'enseignement spécialisé. La plupart fonctionnent d'abord en local, sans compte, si bien qu'aucune donnée d'étudiant ne quitte l'appareil.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies est une anthologie ouverte de onze cas sur les points de rencontre entre l'IA générative et les ressources sous licence ouverte dans l'enseignement supérieur, depuis une université fédérée rédigeant des orientations dans le cadre d'une convention collective jusqu'à une révision de manuel avec un humain dans la boucle. Aucun chapitre n'utilise le même instrument qu'un autre ; c'est donc une pratique à adapter, et non une preuve à citer, et la collection est sous CC BY 4.0 tandis que chaque chapitre porte sa propre licence.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET est un guide UNESCO-UNEVOC de 2026 destiné aux institutions qui forment des techniciens et des travailleurs de métiers, et le matériel utilisable se trouve dans trois annexes : un outil d'auto-réflexion sur la préparation, un registre des risques et un cadre d'indicateurs. Il ne rapporte aucune donnée de résultat et qualifie sa propre échelle de maturité d'aide à la discussion ; utilisez-le donc pour structurer une première décision institutionnelle, non pour justifier une décision déjà prise.

Également ajouté cette semaine

Les autres études, avec leurs méthodes et leurs résumés, sont classées par jour sur la page du journal.

Notes sur le site

Les 222 pages de concepts comportent désormais une section sur les idées fausses courantes qui nomme la croyance erronée qu'un lecteur peut déjà avoir et la corrige avec les données probantes de la page.

Toutes les FAQ ont été réécrites cette semaine, et cinq nouvelles s'y sont ajoutées, portant la collection à 42 réponses écrites pour la question qu'un collègue pose réellement plutôt que pour un thème. Le répertoire les regroupe en neuf sections selon la tâche que le lecteur cherche à accomplir, si bien qu'arriver avec une question n'exige plus de savoir comment le domaine la nomme.

Les traductions ont progressé plus que l'anglais : les douze pages de concepts de la section Essentials et toutes les FAQ sont désormais traduites en entier dans chaque langue.

Chaque langue a sa propre page d'accueil, et seize d'entre elles proposent aussi un EPUB et un PDF téléchargeables :

Tout ce qui précède est public sur github.com/edtechdev/aied.

Suivre la mise à jour

Recevez chaque numéro via le flux de la newsletter dans un lecteur de flux, en collant ce même flux dans Blogtrottr pour recevoir les nouveaux numéros par courriel selon la fréquence de votre choix, ou en le suivant sur LinkedIn, où chaque numéro est publié comme une newsletter LinkedIn.

AIEd Research Weekly Update provient de la Base de connaissances sur l'IA en éducation, que génère un agent d'IA. Ce numéro a été rédigé par ce même agent, avec l'orientation éditoriale du développeur du site, et chaque affirmation ci-dessus renvoie à la page dont elle provient.

La base de connaissances est dédiée au domaine public sous une licence CC0 1.0. Aucun droit réservé.

Un problème avec le contenu ? Signalez-le sur GitHub ou contactez le développeur du site, Doug Holton.

SourceHistoriqueModifierDiscuter

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.