Sur cette page

Mise à jour hebdomadaire de la recherche sur l'IA en éducation #37 novembre 2026

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

Un point 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, 159 nouvelles études, huit nouvelles pages de concepts, deux nouvelles FAQ et trois nouvelles ressources ont rejoint la base de connaissances, qui compte désormais 2 085 résumés d'articles, 230 pages de concepts, 44 FAQ et 40 ressources. Recherchez ou utilisez l'IA pour dialoguer avec la base de connaissances.

Points principaux et questions

La rétroaction par IA peut-elle remplacer celle d'un enseignant ? La rétroaction générée par IA et la rétroaction de l'enseignant ont autant amélioré les révisions de dissertations lors d'un essai randomisé auprès de 312 scripteurs de première année. La rétroaction de l'enseignant a davantage stimulé la motivation parce que les étudiants se sentaient liés à la personne qui la donnait. L'IA peut prendre en charge une passe de révision ; l'enseignant porte toujours la relation.
Un chatbot de soutien peut-il remplacer un pair ? Un chatbot de soutien a fait aussi bien que la tenue d'un journal pour réduire la solitude lors d'un essai randomisé auprès de 296 étudiants de première année ; un pair assigné au hasard l'a réduite. Le bot a exprimé plus d'empathie tandis que les étudiants en rendaient moins, donc mesurez la solitude elle-même.
Un court module d'éthique change-t-il le jugement sur l'IA ? Un module d'éthique de l'information de quatre semaines a élevé les scores des étudiants sur des scénarios de jugement éthique liés à l'IA dans un essai qui randomisait 16 classes. Environ 60 % du gain se maintenait quatre semaines plus tard, et les plus gros utilisateurs d'IA ont le plus progressé. L'enseignement par cas est prometteur.
Plus d'assistance de l'IA améliore-t-elle le travail créatif ? Quatre expériences randomisées auprès de 728 adultes ont montré que, lorsque l'IA faisait davantage le travail, les évaluateurs jugeaient les propositions d'innovation moins bonnes, surtout parce que les participants fournissaient moins de travail cognitif. Plus d'assistance allait de pair avec un travail plus faible.
Un jeu créé par l'IA peut-il mieux enseigner qu'un cours magistral ? Un jeu de rôle d'enquête a battu le cours magistral du même enseignant sur les connaissances et le raisonnement juridiques dans un essai randomisé auprès de 84 étudiants en droit. Le jeu a été construit avec de l'IA générative ; la comparaison opposait jeu et cours, donc le résultat soutient l'apprentissage par le jeu et laisse l'usage des chatbots non testé.
Les rapports sur la performance des étudiants changent-ils l'enseignement ? Des enseignants nouveaux dans un système de tutorat de mathématiques en ligne ont été invités au hasard à ouvrir un rapport de tableau de bord d'analytique de l'apprentissage sur la performance de leurs étudiants au premier devoir. L'ouvrir n'a changé ni la proportion qui commençait le devoir suivant ni les gains aux tests, bien que l'achèvement du devoir suivant ait augmenté, surtout dans les classes plus petites.
Un correcteur IA qui retrouve les notes humaines est-il pour autant sûr ? Un audit de six modèles d'IA notant 300 réponses courtes a constaté que tous attribuaient une note plus élevée au même travail lorsqu'on leur disait que l'étudiant était très performant, de 0,28 à 0,75 point sur une échelle de dix. L'accord peut masquer un biais lié au dossier de réussite antérieure de l'étudiant ; retirez ce dossier.
Pourquoi le langage généré par IA est-il si difficile à comprendre ? Le texte généré par IA abuse des combinaisons de mots rares, des verbes dénominaux, des sujets inanimés, des propositions relatives à l'objet réduites, des noms empilés et des dépendances longues, parce que le post-entraînement en mathématiques, en code et en raisonnement récompense les réponses comprimées plutôt que les explications claires. Pour l'éducation, cela implique que les explications, les rétroactions et les supports de lecture écrits par l'IA peuvent être plus difficiles à traiter pour les étudiants même lorsque les scores de lisibilité semblent bons, un problème pour l'enseignement de la lecture que les formules manquent. [Note éditoriale : pour rappel, ce bulletin et la base de connaissances sur l'IA en éducation sont générés par IA. Le développeur du site a fourni des orientations éditoriales approfondies pour améliorer la lisibilité et l'utilité ; après ces orientations, l'agent IA a appliqué la compétence Humanizer et suivi une consigne explicite d'écrire de façon affirmative et d'éviter la tournure « non X, mais Y ».]

Nouvelles questions fréquentes

Deux nouvelles réponses ont rejoint la FAQ cette semaine.

Comment l'IA peut-elle aider à soutenir la lecture et la compréhension en lecture des étudiants ?

La réponse sur la lecture traite les étiquettes de niveau de lecture comme des approximations : les évaluations de quelques lecteurs réels valent mieux qu'une formule, et une IA à qui l'on demande de se faire passer pour un étudiant ne peut pas dire à quel point un texte paraîtra difficile. Utilisez l'IA pour trouver, simplifier et gloser des lectures, puis testez le résultat avec des étudiants en gardant l'original à côté.

Comment les biais et l'iniquité de l'IA se manifestent-ils en éducation, et que pouvons-nous y faire ?

La réponse sur les biais demande des taux d'erreur pour les groupes que vous enseignez, car une moyenne peut masquer un écart et la défaillance peut se situer dans la notation, le tutorat, les tableaux de bord ou la détection. Inscrivez le rapport par groupe et une voie de recours dans les achats, et corrigez le pipeline lui-même.

Nouveaux concepts

Huit pages de concepts ont rejoint la base de connaissances cette semaine.

Enseignement de la lecture

L'enseignement de la lecture dispose désormais d'une page qui sépare quatre choses souvent réunies sous une même étiquette : aider un lecteur, évaluer la lecture, adapter un texte et mesurer la difficulté. Elle cite une étude où 193 étudiants ont évalué 3 954 phrases ; 72,8 % les ont trouvées faciles ou très faciles alors même que les scores de Flesch disaient le contraire, si bien qu'une étiquette de niveau scolaire guide mal la façon dont un lecteur donné vivra un texte.

Réflexion

La réflexion a une nouvelle page qui la distingue du suivi en temps réel appelé métacognition. La première question de conception est de savoir si l'étudiant a écrit la réflexion. Dans une expérience auprès de 302 adultes, les invites de réflexion ont doublé le temps passé avec la rétroaction et réduit la pratique de 40 %, laissant une maîtrise plus faible, 65 % contre 79 %, si bien que le moment compte autant que l'invite elle-même.

Biais d'automatisation

Le biais d'automatisation nomme l'habitude humaine qui peut transformer une recommandation correcte de l'IA en décision erronée : accepter une réponse que vous auriez remise en question si vous l'aviez trouvée vous-même. Il rassemble les lieux où cela se produit en éducation, des notes de dissertation et des alertes précoces à la surveillance d'examens, et montre comment une étape de relecture qui n'existe que sur le papier échoue à le repérer.

Éducation civique et politique

L'éducation civique et politique cartographie une lacune des preuves et synthétise le domaine. Une analyse de 310 plans de cours générés par IA a trouvé que 90 % des activités ne demandaient que la mémorisation, la compréhension ou une application élémentaire ; 94 % n'avaient presque aucun contenu multiculturel ; et aucune étude du corpus ne mesurait l'apprentissage civique.

Bibliothèques

Les bibliothèques sont traitées comme un lieu, un service et un groupe de professionnels. Une revue de 29 études constate une adoption concentrée dans la référence et le catalogage, tandis que le pilote Public AI Libraries fait de l'accès partagé et accompagné par du personnel l'argument d'équité.

Avatars IA et instructeurs synthétiques

Les avatars IA cartographient les rôles qu'un humain synthétique peut occuper, du professeur enregistré et du tuteur au patient simulé et à l'examinateur. Les preuves sont inégales, et un visage réaliste ne dit presque rien de l'apprentissage ; la divulgation et la confiance importent autant que le modèle.

Analyse par capteurs et suivi du regard

L'analyse par capteurs et suivi du regard couvre l'oculométrie, les signaux cérébraux et cardiaques et la posture devant la caméra comme moyens d'inférer l'attention et l'engagement et la charge cognitive. Le domaine excelle davantage à observer les apprenants qu'à changer l'enseignement, et la page traite comme des questions centrales la vie privée, les biais et l'écart entre un signal corporel et un état mental.

Littératie informationnelle et médiatique

La littératie informationnelle et médiatique traite les deux comme un seul problème pédagogique : la littératie informationnelle demande si une source mérite d'être crue, tandis que la littératie médiatique demande qui a fabriqué un message et pourquoi. L'IA générative fait s'effondrer les deux questions parce qu'un texte fluide cache son origine ; la page trouve peu de preuves sur un curriculum combiné.

Nouvelles ressources

Trois ressources ont rejoint la bibliothèque de ressources cette semaine.

LearnHarness

LearnHarness est une application de bureau gratuite et open source dans laquelle des agents IA déterminent ce qu'un apprenant sait déjà, cartographient les idées nécessaires pour atteindre un objectif, enseignent une étape de raisonnement à la fois et adaptent la pratique.

Learning Commons

Learning Commons publie des briques ouvertes pour des produits de curriculum : une carte des standards et des programmes, des outils pour noter du texte généré et des flux de travail IA prêts à l'emploi pour les enseignants.

Public AI Libraries

Public AI Libraries est un pilote qui installe un poste de travail IA partagé dans des bibliothèques publiques américaines, avec chat, génération d'images et de vidéos, espace de programmation, guide pédagogique et compte privé pour chaque usager.

Pour les enseignants

La rétroaction par IA égale celle de l'enseignant sur les révisions, mais la motivation reste en retrait

L'IA et la rétroaction de l'enseignant ont amélioré les mêmes dissertations d'environ la même quantité dans un essai randomisé auprès de 312 scripteurs. La rétroaction de l'enseignant a davantage soutenu la motivation parce que l'étudiant se sentait lié à la personne qui la donnait.

Gardez une voix humaine autour de la rétroaction. Associez le commentaire généré à une courte réponse de l'enseignant, ou utilisez l'IA pour la première passe et l'enseignant pour la conversation sur le travail.

Voir aussi : Rétroaction par IA à grande échelle

Un étudiant sur cinq a fait rédiger sa dissertation entièrement par le chatbot

Une étude de 77 scripteurs universitaires a enregistré chaque invite, réponse et collage. Quinze d'entre eux, soit un sur cinq, ont remis des dissertations écrites par le chatbot, et la plupart estimaient encore que la dissertation était la leur.

Demandez le travail intermédiaire : les invites, les révisions et une courte note sur ce qui a changé et pourquoi. Rendez la délégation visible pendant qu'il est encore temps d'enseigner.

Voir aussi : Repenser l'évaluation à l'ère de l'IA

Les élèves du secondaire utilisent l'IA de façon quasi universelle, et les élèves moins performants l'utilisent davantage

Une étude sur un an auprès de 4 062 élèves allemands du secondaire a trouvé un usage quasi universel de l'IA : 95 % l'utilisaient, et les élèves moins performants y recouraient davantage pour terminer les tâches. Ce schéma prédit moins d'effort par la suite.

Cela fait du cadrage de l'usage de l'IA et de l'apprentissage autorégulé des éléments du curriculum, à revisiter tout au long de l'année. Demandez aux élèves à quoi sert l'outil dans cette tâche, et donnez aux élèves moins performants un parcours accompagné qui commence par la compréhension du travail.

Voir aussi : Réduire la dépendance excessive à l'IA

Un chatbot de soutien a égalé la tenue d'un journal, tandis qu'un pair a réduit la solitude

Dans un essai randomisé de deux semaines auprès de 296 étudiants de première année, un chatbot de soutien a fait aussi bien que la tenue d'un journal pour réduire la solitude, tandis qu'un pair assigné au hasard l'a réduite. Le bot a montré plus d'empathie alors que les étudiants en rendaient moins.

Un bot peut servir de premier contact utile tant qu'un pair ou un conseiller reste disponible. Intégrez ce parcours humain dans tout service de soutien aux étudiants que vous recommandez, et mesurez la solitude elle-même.

Voir aussi : IA, anxiété et bien-être

Traitez une simulation par IA comme un entraînement supervisé

Une revue de 14 études a trouvé que les étudiants en soins infirmiers appréciaient une simulation par IA répétable et à faible pression et faisaient état de plus de confiance, surtout en communication et en raisonnement clinique. Le réalisme, le langage corporel et le délai de réponse restaient faibles.

Informez les étudiants des limites, exigez qu'ils vérifient le contenu généré et faites un débriefing ensuite. Maintenez l'interaction humaine là où la communication non verbale ou l'empathie durable est le but de l'exercice.

Voir aussi : Formation en soins infirmiers

Le code des projets de fin d'études a triplé, tandis que les commentaires sont restés stables

Dix semestres de 260 projets de fin d'études en formation en informatique montrent que la médiane du code est passée d'environ 3 400 lignes à 10 000, tandis que les commentaires restaient près de 8 %. Le nombre de commits a augmenté ; les commits individuels ont à peine changé.

Évaluez les décisions de conception, l'explication du code et la capacité de l'étudiant à le modifier. L'artefact peut désormais croître plus vite que l'apprentissage qu'il est censé montrer.

Voir aussi : Repenser l'évaluation à l'ère de l'IA

Pour les développeurs

Sans la figure, un tuteur IA devrait refuser

Six modèles d'IA capables de traiter des images ont abordé 376 items de mathématiques du collège dont les figures portaient des informations clés. Avec la figure, le meilleur en a résolu un peu plus de la moitié ; sans elle, ils refusaient presque à chaque fois.

Traitez un refus comme un signal de contexte manquant. Une note ou une mise à jour de profil produite sans la figure mesure une autre tâche.

Voir aussi : Enseignement des mathématiques

Un tuteur d'écriture qui pose des questions et laisse la rédaction aux étudiants

MAIKE pose des questions et diagnostique les arguments tout en laissant le texte de la dissertation à l'étudiant. Parmi 65 élèves du secondaire, la progression a égalé celle d'un chatbot témoin, de 40 % à 41 %, et les utilisateurs de MAIKE ont consacré plus de tours aux idées ; aucun n'a régressé.

Mesurez si une idée discutée dans le chat devient une révision. Un outil d'enseignement de l'écriture qui n'améliore que le texte final peut contourner le raisonnement que le devoir existe pour construire.

Voir aussi : Enseigner l'écriture avec l'IA

Zoomez et surlignez la diapositive pendant que la narration se déroule

GuideSlide narre un diaporama et utilise la visualisation pour zoomer sur la partie en cours de discussion. Dans une étude auprès de 24 personnes regardant sur téléphone, la charge de travail a baissé, la compréhension est passée de 5,5 à 6,5 sur 9, et 21 personnes sur 22 l'ont préféré.

L'avantage le lendemain n'était pas statistiquement significatif, donc l'étude soutient l'attention pendant le visionnage ; l'apprentissage durable reste non testé. Intégrez le guidage visuel dans la narration elle-même.

Voir aussi : Concevoir l'IA dans l'apprentissage

Un détecteur affiné peut anonymiser les textes des étudiants sans le biais des noms

Cinq outils ont été testés sur 13 613 fichiers de textes d'étudiants. Un GPT-4o-mini affiné a trouvé environ 96 % des détails identifiants pour à peu près un sixième du prix par token d'Azure ; les outils de Microsoft manquaient plus souvent les noms africains et asiatiques.

Un entraînement sur dix transcriptions a fonctionné sur un nouvel ensemble, donc l'approche se transpose. Prévoyez la seconde vérification lorsque la précision compte, et signalez les groupes que votre outil manque.

Voir aussi : Politique institutionnelle en matière d'IA

L'analyse vidéo a atteint un accord de niveau humain, avec un humain toujours dans la boucle

GAIVA transcrit, étiquette et interprète des vidéos de classe pour l'analytique de l'apprentissage. Sur cinq enregistrements, ses étiquettes concordaient avec des relecteurs humains à peu près autant que deux relecteurs entre eux, et il a fait apparaître un type de participation que la théorie d'origine ne nommait pas.

Traitez le modèle comme un partenaire de codage avec une invite traçable et une décision humaine à chaque étape. Le modèle fait aussi apparaître des schémas qu'un relecteur humain n'aurait peut-être pas cherchés.

Voir aussi : Recherche éducative assistée par IA

Pour les chercheurs

Un effet moyen important peut encore signifier aucun bénéfice fiable

Une revue de quatre études contrôlées auprès de 420 étudiants en informatique et en ingénierie a trouvé une amélioration moyenne importante, alors que les études divergeaient fortement et que l'intervalle probable incluait l'absence de bénéfice. Les preuves ont été jugées très incertaines.

Traitez une moyenne importante issue de quatre études dissemblables comme une hypothèse sur votre cours. Testez l'apprentissage personnalisé là où il sera mis en œuvre, et dites clairement à quel point les preuves sont incertaines.

Voir aussi : Ce que signifie l'apprentissage personnalisé

Un correcteur IA qui connaît le dossier de l'apprenant note le même travail différemment

Six modèles d'IA ont noté les mêmes 300 réponses courtes avec une mention exacte puis une mention inversée sur la réussite antérieure. Tous les modèles ont mieux noté le même travail sous l'étiquette haute, de 0,28 à 0,75 point sur une échelle de dix.

Le contexte de l'étudiant agit ici comme un biais. Rapportez l'effet de contexte à côté du chiffre d'accord, et testez la notation sans le dossier de l'étudiant avant de déclarer un modèle fiable.

Voir aussi : Équité et fiabilité de la notation par IA

Un tuteur d'apparence équitable peut cacher un écart de compétences de 26 %

Deux ans de journaux d'utilisation de 8 549 étudiants utilisant MATHia, un tuteur adaptatif de mathématiques, ont montré que les étudiants encore en apprentissage de la lecture maîtrisaient les compétences à 68,7 % contre 77,6 %, tandis que la mesure globale d'équité semblait presque neutre. Une compétence cachait un écart de 26 % dans la maîtrise prédite.

Le tuteur n'avait pas de composante de compétence en lecture, donc l'enseignement de la lecture était un facteur manquant dans un système de mathématiques. Modélisez la compétence et rapportez les écarts au niveau où un enseignant interviendrait.

Voir aussi : Biais et équité de l'IA en éducation

Les faux positifs de la détection sont un problème de gouvernance

Une revue de 90 études a trouvé que les détecteurs d'IA signalent de l'écriture légitime à des taux qui ne peuvent pas être agrégés, parce que les outils, les seuils, les jeux de données et les langues diffèrent. Les résumés, revues de littérature, réponses d'examen, textes traduits et prose éditée continuaient d'être signalés.

Le remède est procédural : usage transparent, relecture humaine, littératie en IA, une politique institutionnelle explicite et une voie de recours. Cela relève de la gouvernance, les réglages du détecteur n'en étant qu'une partie.

Voir aussi : Faut-il utiliser des détecteurs d'IA ?

S'accorder avec les correcteurs humains peut encore laisser échapper le travail

Vingt-deux modèles d'IA ont noté 100 items par tâche en réponses courtes, code et dissertations. La plupart concordaient avec les humains sur les réponses courtes, quatre les égalaient ou les dépassaient sur le code, et aucun n'atteignait le niveau humain sur les dissertations.

Un chiffre d'accord élevé peut coexister avec un correcteur IA qui note la mention et manque la réponse. Ajoutez des réponses modifiées à l'évaluation et rapportez où le modèle s'écarte du travail.

Voir aussi : Équité et fiabilité de la notation par IA

Pour les administrateurs

Les preuves sur les technologies éducatives pour les apprenants neurodivergents sont concentrées et pilotées par les chercheurs

Une revue de 93 études a trouvé que l'autisme dominait les preuves sur les technologies éducatives pour les apprenants neurodivergents à 39,8 %, devant la déficience intellectuelle, le TDAH et la dyslexie. La réalité étendue (RV et RA) était la plus étudiée ; les résultats sociaux et entre pairs recevaient moins d'attention, et les enfants avaient peu l'occasion de s'exprimer.

Demandez le résultat qui compte pour la classe et les apprenants inclus dans l'évaluation. Une affirmation validée uniquement par des chercheurs peut s'éloigner des personnes qu'elle est censée servir.

Voir aussi : IA pour les apprenants en situation de handicap et neurodivergents

Les étudiants voulaient un assistant institutionnel pour la rétroaction

Un programme de co-conception de 13 mois avec 315 étudiants et 20 membres du personnel a trouvé que 73 % appréciaient une rétroaction disponible en continu et liée à leurs études. Les cartes mémoire et les quiz ont recueilli plus de commentaires positifs que le chat ouvert, et 16 des 18 testeurs bêta voulaient l'assistant.

Les 10 % à 15 % qui s'y opposaient pour des raisons de valeurs constituent le risque d'adoption. Traitez leurs préoccupations comme substantielles. Expliquez comment les données des étudiants sont traitées et ce que l'assistant ne peut pas faire avant le pilote, et donnez aux étudiants un moyen de refuser.

Voir aussi : Concevoir l'IA dans l'apprentissage

La surveillance des examens détecte la triche et reporte le coût sur les moins favorisés

Une revue de 32 études a trouvé que la surveillance par IA détecte l'usurpation d'identité et la triche, tandis que les faux positifs, les défaillances d'éclairage et de bande passante, l'anxiété et les atteintes à la vie privée pèsent le plus lourd sur les moins favorisés. La surveillance automatisée représentait 59 % des études.

Les auteurs recommandent l'évaluation alternative et un mélange de surveillance humaine et automatisée. Réduisez l'examen en ligne à fort enjeu avant d'ajouter un autre détecteur.

Voir aussi : Politique institutionnelle en matière d'IA

Un rapport de tableau de bord a augmenté l'achèvement, tandis que les scores aux tests restaient stables

Des enseignants nouveaux dans un tuteur de mathématiques en ligne ont été invités au hasard à ouvrir un rapport de tableau de bord d'analytique de l'apprentissage sur la performance des étudiants au premier devoir. Cela n'a changé ni la proportion commençant le devoir suivant ni les gains aux tests des étudiants, bien que l'achèvement ait augmenté dans les classes plus petites.

Vérifiez si les enseignants ouvrent le rapport, agissent dessus et constatent un gain d'apprentissage avant d'acheter de l'analytique ; une hausse de l'achèvement seule ne suffit pas.

Voir aussi : Vérifier si l'IA éducative fonctionne

Presque aucune institution ne peut nommer qui possède la gestion de l'IA

Une enquête auprès de 387 étudiants et membres du personnel dans 13 pays a trouvé que seulement 17 % connaissaient un rôle désigné de gouvernance de l'IA. Parmi les autres, 71 % pensaient qu'un tel rôle était nécessaire et 76 % s'attendaient à ce qu'il améliore leur expérience.

Les répondants décrivaient un rôle doté d'un mandat ; un comité sans mandat laisse ce rôle vacant. Donnez au responsable l'autorité sur la formation, la sécurité des données, la revue éthique et la stratégie, et publiez qui l'occupe.

Voir aussi : Politique institutionnelle en matière d'IA

Également ajouté cette semaine

La page du journal répertorie chaque étude ajoutée cette semaine, y compris celles qui ne sont pas résumées ici.

Notes sur le site

Le bulletin et son flux RSS sont désormais aussi disponibles en espagnol : consultez le site du bulletin en espagnol ou abonnez-vous au flux RSS du bulletin en espagnol. Pour demander une autre localisation, ouvrez un ticket ou contactez le développeur du site.

Le site est beaucoup plus léger. L'arborescence complète des concepts et des FAQ reste hors de chaque page : la barre latérale affiche dix groupes thématiques et ne récupère la liste complète que lorsqu'un lecteur en ouvre un, et la colonne de droite liste huit pages récentes, contre trente auparavant. Sur l'ensemble de la génération du site, le HTML est passé de 1,80 Go à 1,26 Go, et le balisage de la barre latérale de 604 Mo à 87 Mo.

Les traductions ont été actualisées dans les 33 langues configurées, y compris les éditions arabe, hébraïque et en ourdou écrites de droite à gauche. Les résumés d'articles restent uniquement en anglais.

Les éditions hors ligne ont été déplacées vers un nouvel emplacement GitHub releases, de sorte que les anciens liens EPUB et PDF ne fonctionnent plus. Chaque site de langue conserve son adresse habituelle. Des fichiers EPUB et PDF existent pour les 19 langues disposant de liens ci-dessous ; les 14 autres sont uniquement en ligne.

English: EPUB et PDF
Español (Spanish): EPUB et PDF
Français (French): EPUB et PDF
中文 (Chinese): EPUB et PDF
Deutsch (German): EPUB et PDF
日本語 (Japanese): EPUB et PDF
한국어 (Korean): EPUB et PDF
Português (Portuguese): EPUB et PDF
العربية (Arabic): EPUB et PDF
עברית (Hebrew): EPUB et PDF
हिन्दी (Hindi): EPUB et PDF
Русский (Russian): EPUB et PDF
Українська (Ukrainian): EPUB et PDF
Italiano (Italian): EPUB et PDF
বাংলা (Bengali): EPUB et PDF
اردو (Urdu): EPUB et PDF
Bahasa Indonesia (Indonesian): EPUB et PDF
Tiếng Việt (Vietnamese): uniquement en ligne
Nederlands (Dutch): uniquement en ligne
Svenska (Swedish): uniquement en ligne
Dansk (Danish): uniquement en ligne
Suomi (Finnish): uniquement en ligne
Norsk bokmål (Norwegian Bokmål): uniquement en ligne
Română (Romanian): uniquement en ligne
Magyar (Hungarian): uniquement en ligne
Čeština (Czech): uniquement en ligne
Български (Bulgarian): uniquement en ligne
Slovenčina (Slovak): uniquement en ligne
Hrvatski (Croatian): uniquement en ligne
Ελληνικά (Greek): uniquement en ligne
Polski (Polish): uniquement en ligne
Kiswahili (Swahili): EPUB et PDF
Türkçe (Turkish): EPUB et PDF

Le code source est public sur github.com/edtechdev/aied.

Suivre la mise à jour

Recevez chaque numéro via le flux de la newsletter en français 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 un bulletin LinkedIn.

AIEd Research Weekly Update provient de la base de connaissances sur l'IA en éducation, qu'un agent IA génère. Ce numéro a été rédigé par ce même agent IA, avec les orientations éditoriales 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.

Vous avez trouvé un problème dans le contenu ? Signalez-le sur GitHub ou contactez le développeur du site, Doug Holton.

Source Historique Modifier Discuter