← Toutes les newsletters

1. Los Angeles suspend l’accès des élèves à l’IA générative : après New York, le mouvement de ralentissement devient structurel

[POL-PUB] [OFFICIEL/TERRAIN] — mots-clés : cadre-usage, protection-mineurs, littératie-IA, gouvernance, évaluation — niveau : moratoire institutionnel en vigueur pour 2026-2027

Le Los Angeles Unified School District a restreint depuis le début de l’année scolaire 2026-2027 l’accès des élèves aux plateformes d’IA générative sur les appareils administrés par le district. Environ 378 000 élèves sont concernés. Auparavant, les élèves de 13 ans ou plus pouvaient accéder à certains outils approuvés après une formation à la citoyenneté numérique ; cet accès est désormais suspendu pendant la révision des règles.

Le district a constitué un comité ad hoc chargé d’élaborer les futurs garde-fous et procédures ; ses recommandations doivent être remises au conseil scolaire à la fin de l’année 2026-2027. La mesure s’applique aux équipements et réseaux du district, non aux appareils personnels hors de ce cadre.

Cette décision intervient immédiatement après celle de New York. Les deux plus grands districts scolaires américains suivent donc presque simultanément une logique de ralentissement de l’accès direct des élèves, alors même que les fournisseurs accélèrent leur implantation dans le secteur scolaire. Los Angeles retient pour l’instant un moratoire plus général ; New York distingue davantage âge, fonction pédagogique et durée d’exposition.

Ce basculement est significatif : la question devient moins « peut-on utiliser ChatGPT en classe ? » que qui autorise quoi, pour quel âge, sur quel appareil et avec quelles garanties pédagogiques et de sécurité ?

2. Inclusion : l’IA peut simultanément abaisser une barrière scolaire et renforcer les normes dominantes

[COG-PSY] [RECHERCHE] — mots-clés : inclusion, littératie-IA, inégalités, évaluation, langage — niveau : revue critique intégrative peer-reviewed

Une nouvelle revue publiée dans AI & Society propose de considérer les LLM comme des infrastructures de médiation du sens, et pas seulement comme des outils d’aide. Les auteurs introduisent la notion de semantic transduction : l’IA reformate une consigne, une idée ou un brouillon pour le rendre conforme à des formes reconnues par l’institution scolaire — lexique académique, structure argumentative, organisation du discours.

Pour un élève multilingue, dyslexique ou peu familier des codes scolaires, cette médiation peut réduire une vraie barrière. Mais elle peut simultanément normaliser les productions autour de genres, registres et modèles rhétoriques dominants. Les auteurs soulignent notamment le risque d’une convergence vers des formes académiques anglo-européennes et d’une marginalisation des répertoires linguistiques ou culturels moins représentés.

Un autre mécanisme est particulièrement important : si l’IA rend très facile la production d’une prose impeccable, le niveau implicite attendu peut lui-même augmenter. Les élèves disposant de moins bonnes versions des outils, de moins de compétences de vérification ou d’un environnement familial moins favorable peuvent rester désavantagés malgré la démocratisation apparente de l’accès.

Focus lettres

Une IA qui « améliore » un texte peut en même temps effacer une voix, un registre, une syntaxe singulière ou une hésitation stylistiquement pertinente. Pour le français, il devient nécessaire de distinguer correction linguistique, normalisation et véritable progression d’écriture.

Il s’agit toutefois d’une revue théorique et critique, non d’une méta-analyse mesurant des effets moyens sur les élèves.

3. Compétences enseignantes : une étude sur 165 professeurs distingue technique, pédagogie et éthique

[TERRAIN] [RECHERCHE] — mots-clés : formation-enseignants, compétences, éthique, évaluation, pratiques-professionnelles — niveau : étude quantitative peer-reviewed

Une étude publiée le 4 septembre dans Education Sciences porte sur 165 enseignants du primaire et du secondaire en Serbie. Elle utilise une échelle de sentiment d’efficacité dans l’usage pédagogique de l’IA.

L’analyse fait apparaître trois dimensions : compétences pédagogiques et évaluatives, compétences éthiques et de sécurité, compétences opérationnelles et techniques. La cohérence interne de l’échelle est très élevée (α = 0,972) et ces trois facteurs expliquent 71,2 % de la variance.

Les chercheurs ne trouvent pas de différences statistiquement robustes selon la discipline enseignée ni selon l’ancienneté pour les deux premières dimensions. Une différence initiale sur les compétences techniques disparaît après correction pour comparaisons multiples. Rien ne permet donc ici d’affirmer qu’un professeur de discipline technique serait spontanément mieux préparé à une intégration pédagogique responsable de l’IA qu’un professeur de lettres ou de sciences humaines.

Les auteurs avertissent surtout que se sentir compétent n’est pas être objectivement compétent. Savoir dialoguer facilement avec un chatbot ne garantit ni la capacité à identifier une erreur ni celle à juger la pertinence pédagogique ou éthique de son usage.

L’étude repose cependant sur un échantillon de convenance, dans un seul pays, et sur de l’auto-évaluation. Sa structure factorielle doit encore être confirmée sur d’autres populations.

4. Langues et évaluation : 64 enseignants privilégient l’IA pour apprendre à s’évaluer plutôt que pour attribuer une note

[PED-FR] [RECHERCHE] — mots-clés : évaluation, langues-vivantes, feedback, autonomie, littératie-IA — niveau : étude mixte exploratoire peer-reviewed

Une étude publiée le 5 septembre analyse les réponses de 64 enseignants-chercheurs en langues, âgés de 32 à 58 ans et titulaires de doctorats en linguistique ou littérature ; cinq ont ensuite participé à un groupe de discussion.

Le contraste est net : les participants voient l’IA comme outil de soutien, mais beaucoup moins comme autorité capable de produire une évaluation sommative. Ils reconnaissent ses bénéfices pour la préparation et le feedback, tout en manifestant une forte réticence à lui confier des notes déterminant réussite ou échec.

Les auteurs défendent plutôt l’assessment as learning : l’évaluation devient une activité cognitive de l’élève. Un texte peut, par exemple, recevoir un feedback IA ; l’élève confronte ensuite cette sortie à une grille, à l’avis des pairs et à ses intentions avant de décider ce qu’il modifie. L’intérêt ne réside plus dans la correction automatique mais dans l’évaluation du feedback lui-même.

Focus français

En commentaire, contraction ou dissertation, l’IA pourrait servir de correcteur volontairement non souverain : l’élève confronte grille officielle, retour de l’IA et retour humain, puis justifie ce qu’il conserve ou rejette.

L’étude reste exploratoire : petit échantillon, données largement déclaratives et aucune démonstration causale de l’efficacité de cette approche.

5. Sciences : 112 étudiants testent l’IA comme partenaire de laboratoire — de meilleurs scores, mais des hallucinations très plausibles

[PED-AUT] [RECHERCHE] — mots-clés : sciences, données, vérification, expérimentation, raisonnement — niveau : étude comparative en situation authentique peer-reviewed

Une étude publiée le 4 septembre porte sur 112 étudiants de troisième année en ingénierie hydraulique, répartis en deux groupes de 56 pour un TP réel de mécanique des sols consacré à un essai de cisaillement direct. Le groupe expérimental peut utiliser ChatGPT, DeepSeek, Doubao, ERNIE Bot ou Tencent Yuanbao ; l’autre groupe travaille sans IA générative.

Le groupe IA obtient un score global moyen de 85,72 ± 5,62, contre 78,22 ± 6,41 pour le groupe traditionnel. La différence atteint 7,52 points et l’effet est important (Hedges g = 1,23). Les gains concernent notamment l’organisation des opérations, l’analyse des données et les rapports.

Mais l’étude fournit surtout des exemples remarquables d’erreurs. Dans un cas, un étudiant demande un calcul sans fournir deux paramètres essentiels liés à l’appareil. Au lieu de demander ces informations, le modèle suppose des valeurs conventionnelles puis produit un calcul précis mais sans rapport avec l’appareil réellement utilisé.

Un autre étudiant obtient un angle de frottement supérieur à 70°, valeur physiquement aberrante. Il comprend alors qu’il est préférable de demander à l’IA les formules et étapes, puis d’effectuer lui-même le calcul.

Plus intéressant encore : devant une donnée expérimentale anormale, certains étudiants demandent à l’IA de la « corriger » pour améliorer l’ajustement ; d’autres lui demandent d’identifier les causes possibles de l’anomalie puis reviennent aux observations. Le premier usage détruit potentiellement la validité expérimentale ; le second transforme l’IA en générateur d’hypothèses.

Focus sciences

Une règle pédagogique paraît particulièrement robuste : l’IA peut questionner une donnée, jamais la remplacer.

Les auteurs restent prudents : l’étude mesure des performances de cours, mais pas directement le transfert ou la compréhension conceptuelle à long terme.

6. Langues : un scénario de lycée apprend aux élèves à refuser les « corrections » de l’IA

[PED-FR] [BLOG-SPÉCIALISÉ] — mots-clés : écriture, langues-vivantes, feedback, registre, agentivité — niveau : cadre pédagogique avec scénario détaillé

Le 4 septembre, Zhongfeng Tian et Xinyue Lu proposent dans Language Magazine un cadre Position–Design–Enact centré sur le jugement humain plutôt que sur les fonctionnalités des outils.

Le scénario décrit une classe de langue au lycée. Les élèves doivent rédiger un courriel informel répondant à une annonce de colocation. Ils commencent sans IA : analyse de l’annonce authentique, observation d’un modèle, construction collective de critères, puis rédaction personnelle.

L’IA intervient ensuite comme coach d’écriture. Sur une fiche structurée, l’élève doit examiner chaque recommandation, décider de l’accepter ou la refuser et expliquer pourquoi. Un feedback entre pairs suit, puis une discussion collective avant la version définitive.

Le scénario exploite volontairement un défaut fréquent des modèles : ils privilégient volontiers une langue standard et formelle. Une modification peut donc être grammaticalement correcte mais pragmatiquement mauvaise pour un message informel. Les élèves discutent ainsi de la norme linguistique elle-même : quelle variété l’IA considère-t-elle comme correcte ? Que fait-elle des registres et usages situés ?

Focus lettres

On peut transposer exactement ce principe à un dialogue théâtral, une lettre, un pastiche ou une réécriture : demander aux élèves de repérer ce que l’IA normalise ou détruit en voulant améliorer.

Il s’agit cependant d’un cadre didactique argumenté, pas d’une expérimentation contrôlée.

À retenir aujourd’hui

• Los Angeles rejoint New York dans une politique de ralentissement des usages directs de l’IA par les élèves.
• L’IA peut favoriser l’inclusion tout en uniformisant les formes de langage reconnues comme scolaires.
• Les compétences enseignantes en IA doivent être pensées au moins sur trois plans : technique, pédagogique-évaluatif, éthique-sécurité.
• En évaluation, les travaux du jour renforcent la distinction entre feedback à interroger et notation à déléguer.
• En sciences expérimentales, les LLM peuvent augmenter la performance tout en produisant des erreurs très crédibles lorsqu’une donnée manque.

À tester en classe

Le feedback que l’on peut refuser. Après un premier jet autonome, l’élève reçoit un feedback IA et classe chaque proposition : j’accepte / je modifie / je refuse, avec justification textuelle ou méthodologique.

« N’invente jamais mes données ». En sciences, maths appliquées ou SES, imposer à l’IA : si une donnée nécessaire manque, signale-la et arrête le calcul. Retirer ensuite volontairement une donnée et vérifier si le système respecte réellement la consigne.

À surveiller

Les futures recommandations du comité IA de Los Angeles ; les travaux empiriques sur la normalisation stylistique des productions assistées ; les dispositifs d’assessment as learning sans notation automatique ; les protocoles obligeant les LLM à reconnaître une information manquante ; et surtout la Digital Learning Week de l’UNESCO du 8 au 11 septembre, avec ses travaux sur l’agentivité enseignante, la souveraineté numérique et les agents autonomes.