← Toutes les newsletters

1. Washington D.C. formalise une politique « feu rouge / orange / vert » : certaines décisions scolaires ne doivent pas être déléguées à l’IA

[POL-PUB] [OFFICIEL] — mots-clés : gouvernance, jugement-professionnel, évaluation, données-personnelles, formation-enseignants — niveau : politique modèle officielle, non obligatoire

Le 1er septembre 2026, l’Office of the State Superintendent of Education du District of Columbia a publié sa première AI Model Policy for Staff Use à destination des établissements. Elle n’est pas obligatoire : les autorités scolaires locales peuvent l’adopter, l’adapter ou l’écarter.

Le principe est celui d’un feu tricolore. Certains usages sont classés en rouge parce qu’ils engagent un jugement humain qui ne doit pas être transféré à une IA ; d’autres appellent une surveillance renforcée ; les tâches de moindre risque peuvent bénéficier de l’IA avec contrôle professionnel.

Cette politique répond à une enquête menée en février : 45 % seulement des autorités scolaires locales interrogées disposaient d’une politique concernant l’IA pour les personnels. OSSE annonce parallèlement deux formations : AI Literacy for Educators et Instructional Decision-Making and AI Dilemmas.

L’intérêt est de déplacer la question de « quel outil autoriser ? » vers « quelle décision peut-on déléguer ? ». Cette logique résiste mieux aux changements rapides de modèles et de plateformes.

Ce que cela apporte au contexte français

Le cadre français fixe déjà responsabilité, données et finalité pédagogique. Le modèle de Washington apporte une méthode simple pour l’établissement : classer les usages selon le risque et la part de jugement humain engagée, et non selon la marque de l’outil.

Politique modèle officielle de l’OSSE

2. Cognition : une revue systématique de 26 études précise la frontière entre échafaudage et délégation épistémique

[COG-PSY] [RECHERCHE] — mots-clés : cognition, autonomie, esprit-critique, métacognition, vérification — niveau : revue systématique peer-reviewed, hétérogénéité élevée

Une revue systématique publiée le 3 septembre dans Frontiers in Education part de 7 215 références pour retenir 26 études empiriques peer-reviewed : 11 qualitatives, 7 mixtes, 4 transversales, 2 quasi-expérimentales et 2 essais randomisés.

La conclusion centrale est équilibrée : la GenAI peut constituer un échafaudage cognitif et, simultanément, une vulnérabilité épistémique. Feedback, clarification conceptuelle, métacognition et autorégulation apparaissent parmi les bénéfices ; surconfiance, dépendance, traitement superficiel, hallucinations et affaiblissement du jugement figurent parmi les risques récurrents.

La notion la plus utile est celle de délégation épistémique. Déléguer une reformulation ou une recherche n’est pas encore la même chose que déléguer le choix de la source, l’évaluation de la preuve, l’interprétation ou la décision finale sur ce qui est vrai.

La revue conclut aussi que les conséquences éducatives semblent davantage dépendre de la conception pédagogique, de la littératie IA et de l’évaluation que de la technologie elle-même.

Limites

Le champ est encore récent : 3 études de 2024, 14 de 2025 et 9 de 2026. La forte hétérogénéité des méthodes et des mesures interdit une méta-analyse quantitative ; le corpus porte en outre sur l’enseignement supérieur.

Transfert scolaire

L’IA peut effectuer une opération intermédiaire ; l’élève doit rester responsable des opérations qui déterminent ce qui est vrai, pertinent, suffisamment prouvé et finalement retenu.

3. Langues et écriture : 856 articles montrent un champ dominé par l’écriture, mais encore pauvre en descriptions fines de pratiques scolaires

[PED-FR] [RECHERCHE] — mots-clés : écriture, langues-vivantes, feedback, littératie-IA, recherche — niveau : revue bibliométrique peer-reviewed

Une étude publiée le 3 septembre dans Discover Computing analyse 856 articles de revues issus d’ERIC et de Scopus sur l’intelligence artificielle dans l’enseignement de l’anglais langue seconde ou étrangère.

La croissance des publications est forte, avec une concentration autour des méthodes d’enseignement et de l’écriture. ChatGPT et Grammarly occupent une place importante dans la littérature sur l’écriture ; feedback, détection d’erreurs, vocabulaire, préparation de matériel et évaluation font partie des usages étudiés.

Mais la revue signale un manque particulièrement gênant pour les praticiens : la littérature fournit encore trop peu de descriptions détaillées des supports et dispositifs pédagogiques réellement utilisés. Les recherches K-12 restent également sous-représentées.

Pour un professeur de lettres, c’est décisif : « l’IA améliore l’écriture » est une information très pauvre si l’étude ne précise pas si la machine donne du vocabulaire, un feedback, un plan, des phrases ou un texte entier.

Focus lettres

Toute expérimentation devrait donc préciser le moment d’intervention de l’IA, ce qu’elle a le droit de produire, les traces conservées et les opérations qui restent obligatoirement à la charge de l’élève.

Limites

Il s’agit avant tout d’une cartographie bibliométrique : elle révèle tendances et lacunes, mais ne mesure pas un effet moyen de l’IA sur l’apprentissage. La collecte s’arrête en juin 2025.

Lire l’étude dans Discover Computing

4. Écriture : à Baltimore, le cours est reconstruit autour des traces du raisonnement plutôt que de la seule copie finale

[PED-FR] [TERRAIN] — mots-clés : écriture, processus, évaluation, esprit-critique, agentivité — niveau : retour de terrain documenté, non expérimental

Un cas publié le 6 septembre montre un changement de stratégie intéressant à l’Université de Baltimore. Rachael Zeleny, responsable du programme d’écriture, avait d’abord utilisé un système permettant de rejouer l’historique des modifications de Google Docs pour repérer les productions suspectes ; elle décrit désormais ce type de surveillance comme une solution transitoire plutôt que comme une réponse satisfaisante.

Le programme avancé d’écriture a donc été reconstruit afin que l’évaluation porte davantage sur les preuves du processus intellectuel. Une activité met par exemple les étudiants dans une simulation de conseil scolaire consacrée à l’interdiction de livres : ils doivent débattre avec des chatbots incarnant différents protagonistes, dont un parent conflictuel, et soutenir leurs positions avec des preuves.

Pour d’autres travaux peuvent être demandés : conversations avec le chatbot, plans manuscrits, étapes intermédiaires ou réflexion vidéo sur les choix effectués. Le produit final ne disparaît pas, mais il n’est plus la seule preuve d’apprentissage.

Cette évolution rejoint les objectifs officiels du University Writing Program de Baltimore, centré sur les processus de composition, recherche et révision ; l’université dispose par ailleurs d’un environnement institutionnel BoodleBox permettant aux enseignants d’observer les échanges IA réalisés dans le cadre des cours.

Transfert au lycée

Pour une dissertation ou un commentaire, il suffit parfois de conserver quatre traces : problématique initiale, sélection des preuves, plan, décision de révision justifiée. Cela rend le raisonnement observable sans instaurer une surveillance permanente.

Limites

Il s’agit d’un retour de terrain, pas d’une étude expérimentale : aucun gain d’apprentissage n’est encore établi.

5. Mathématiques professionnelles : ChatGPT et Meta AI pour contextualiser les savoirs dans des situations de soudage

[PED-AUT] [RECHERCHE] — mots-clés : mathématiques, contextualisation, lycée-professionnel, formation-enseignants, transfert — niveau : étude peer-reviewed

Une étude publiée le 1er septembre dans Discover Education examine l’utilisation de ChatGPT et Meta AI pour aider des enseignants de mathématiques à contextualiser les contenus dans les métiers du soudage et de la fabrication.

L’intérêt didactique est assez différent d’un chatbot qui résout les exercices à la place des élèves. L’IA sert ici à repérer des situations professionnelles dans lesquelles géométrie, mesures, angles, proportionnalité ou calculs de matériaux peuvent devenir nécessaires.

La fonction assignée au modèle est donc la scénarisation du contexte, tandis que l’enseignant doit vérifier la plausibilité professionnelle et reconstruire l’activité de manière à ce que le savoir mathématique reste effectivement travaillé.

Focus lycée professionnel / technologie

Le principe est transférable : demander à une IA des situations possibles de mobilisation d’un savoir, puis les faire valider par une documentation métier ou un professeur de spécialité. L’IA produit des hypothèses de contexte, pas des vérités professionnelles.

Limites

Le contexte étudié est étroit et l’étude ne démontre pas à elle seule que la contextualisation produite avec IA entraîne de meilleurs apprentissages durables.

6. « Beyond Copy-Paste » : rendre le devoir résistant à la délégation plutôt que détecter l’IA

[TERRAIN] [BLOG-SPÉCIALISÉ] — mots-clés : évaluation, processus, jugement, écriture, différenciation — niveau : outil de terrain gratuit, efficacité non évaluée

Beyond Copy-Paste: AI-Resilient Teaching Toolkit a reçu une nouvelle mise à jour le 6 septembre. Cette extension Chrome gratuite conçue par l’enseignant Tarquinn Curry cherche à transformer les devoirs plutôt qu’à détecter leurs auteurs.

Le cadre oppose une Prediction Zone, regroupant les tâches facilement automatisables — résumer, définir, comparer de façon générique — à une Judgment Zone, qui exige de l’élève décisions, justification, données locales, expérience personnelle, interaction ou raisonnement visible.

L’extension comprend désormais plusieurs générateurs de supports et 160 exemples disciplinaires, ainsi qu’une fonction « Autopsy » qui examine un devoir existant pour repérer les parties qu’une IA pourrait réaliser sans compréhension.

Le développeur affirme qu’aucun compte n’est nécessaire et qu’aucune donnée n’est envoyée vers ses serveurs. La fiche Chrome signale néanmoins que l’extension peut traiter le contenu des pages : les données identifiantes d’élèves doivent donc rester hors de l’outil sans validation institutionnelle.

Point important : je n’ai trouvé aucune licence open source vérifiable. L’outil est gratuit, mais il ne faut donc pas le classer comme OSS.

Focus lettres

Le principe s’utilise même sans installer l’extension :

• « Résume le texte » → sélectionne deux passages indispensables et justifie leur maintien ;
• « Compare les personnages » → défends le critère de comparaison le plus pertinent ;
• « Rédige une argumentation » → conserve trois traces de décisions et justifie une révision.

Limites

156 utilisateurs seulement étaient indiqués dans la fiche consultée et les avis indépendants sont très peu nombreux. Aucune étude ne démontre une amélioration des apprentissages.

À retenir aujourd’hui

• La gouvernance devient fonctionnelle plutôt que technologique : Washington classe les usages selon le risque et la nécessité du jugement humain.
• Une revue de 26 études donne une définition particulièrement utile de la délégation épistémique : abandonner à l’IA non seulement l’exécution, mais aussi la validation, l’interprétation ou le jugement.
• En langues, l’écriture est désormais un champ de recherche massif, mais les scénarios de classe précisément documentés restent insuffisants.
• L’évaluation se déplace de plus en plus du produit final vers les traces du processus.
• Les outils pédagogiques les plus intéressants cherchent moins à « battre l’IA » qu’à obliger l’élève à rendre visible son jugement propre.

À tester en classe

Le dossier minimal de processus. Pour une production écrite, ajouter seulement trois traces : mon idée initiale / une décision que j’ai changée / la preuve qui justifie ma version finale. L’activité cognitive devient observable sans alourdir fortement la correction.

Le test de délégation épistémique. Deux colonnes : « l’IA peut le faire » / « je dois le décider ». Source fiable, interprétation correcte, preuve suffisante et conclusion finale doivent rester du côté de l’élève.

À surveiller

Demain, 8 septembre, commence à Paris la Digital Learning Week de l’UNESCO. Les sessions consacrées aux agents autonomes, aux « ghost learners », à l’agentivité enseignante, à l’IA d’intérêt public et à la souveraineté numérique deviennent prioritaires pour les prochains numéros. La déclaration ministérielle finale ne devra être analysée qu’une fois effectivement adoptée.

À suivre également : les deux formations annoncées par Washington, les premières comparaisons entre évaluations centrées sur le processus et dispositifs de détection, les études K-12 sur la délégation épistémique et le transfert hors outil, et les outils « AI-resilient » qui rendront effectivement publics leur méthodologie, leur code ou des résultats indépendants.