← Toutes les newsletters

1. UNESCO : « The Algorithm in the Room » place six questions éducatives avant toute course aux outils

[POL-PUB] [OFFICIEL] — mots-clés : agentivité, autonomie, évaluation, cognition, gouvernance — niveau : publication officielle de prospective, non normative

À l’ouverture de la Digital Learning Week 2026, l’UNESCO publie ce 8 septembre The Algorithm in the Room: Seeing and confronting the implications of AI for the future of education. Le document rassemble vingt-six contributions de prospective et organise la réflexion autour de six questions : qui conservera agentivité, autonomie et contrôle ; comment les jeunes se développeront cognitivement, émotionnellement et relationnellement ; ce qui restera pertinent en pédagogie et en évaluation ; comment l’IA transformera notre manière de penser, questionner et nous exprimer ; comment gouverner l’éducation comme bien commun ; et comment l’IA influence notre capacité même à imaginer l’avenir de l’école.

Le déplacement est important. L’IA éducative n’est plus considérée seulement comme une technologie que l’école doit apprendre à intégrer. L’UNESCO pose la question des finalités scolaires susceptibles d’être transformées par les infrastructures algorithmiques.

Pour les enseignants, deux interrogations en découlent directement : quelles opérations intellectuelles doivent rester à la charge de l’élève pour que l’activité reste formatrice ? Et quelles décisions doivent demeurer sous contrôle humain, même lorsqu’un système peut techniquement les automatiser ?

Focus lettres

La question « comment penser, questionner et nous exprimer ? » touche directement les lettres. Une IA peut aider à organiser ou reformuler, mais elle propose simultanément des formes de discours, des registres, des références et des structures argumentatives. L’enjeu devient donc aussi d’apprendre aux élèves à identifier ce que le modèle tend à imposer comme forme du discours acceptable.

Limites

Il s’agit d’un ouvrage de prospective et de réflexion, non d’une étude expérimentale ou d’une norme juridique. Les contributions fixent surtout un agenda intellectuel et politique pour la suite.

Sources : UNESCO, 8 septembre 2026.

2. Inégalités : 240 étudiants montrent que les plus grands gains immédiats peuvent s’accompagner de risques accrus pour la rétention

[COG-PSY] [RECHERCHE] — mots-clés : inégalités, inclusion, écriture, rétention, littératie-IA — niveau : expérience de terrain peer-reviewed, enseignement supérieur

Une étude publiée le 6 septembre dans Discover Sustainability examine les effets de ChatGPT sur 240 étudiants issus de huit pays, stratifiés selon leur statut socio-économique, leur maîtrise de la langue et leur éventuel handicap. Chaque participant effectue des tâches d’écriture avec et sans ChatGPT, selon un plan contrebalancé. Les chercheurs mesurent qualité de l’écriture, temps passé, sentiment d’efficacité personnelle et rétention.

Les effets diffèrent fortement selon les publics. Les étudiants à faible statut socio-économique améliorent davantage leur qualité d’écriture que les plus favorisés. Les locuteurs non natifs en développement obtiennent les plus grands progrès immédiats, mais détectent moins bien les erreurs et présentent une rétention plus faible. Les étudiants en situation de handicap gagnent davantage en sentiment d’efficacité personnelle, mais mettent plus de temps à accomplir les tâches.

L’analyse intersectionnelle est particulièrement intéressante : les personnes cumulant plusieurs désavantages obtiennent les bénéfices immédiats les plus importants, mais aussi davantage de risques pour l’apprentissage à plus long terme.

Cette étude interdit donc deux raccourcis opposés. L’IA ne creuse pas mécaniquement toutes les inégalités : elle peut fournir un soutien particulièrement puissant aux publics qui en disposent habituellement le moins. Mais une hausse de performance n’est pas automatiquement une hausse d’apprentissage durable.

Focus lettres / langues

Pour un élève allophone ou fragile à l’écrit, l’IA peut donc servir d’étayage : explicitation d’une consigne, reformulation ponctuelle, exemple lexical. Mais une phase autonome doit suivre : retrouver le sens, expliquer la règle ou produire une formulation nouvelle sans assistance.

Limites

L’étude porte sur des étudiants et non sur des collégiens ou lycéens. La version actuellement accessible est une version acceptée avant mise en forme définitive.

3. Littératie IA en langues : 27 études montrent que l’on mesure davantage l’usage que la compréhension réelle des modèles

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

Une revue systématique publiée le 7 septembre dans Discover Artificial Intelligence analyse 27 études empiriques parues entre 2024 et mars 2026.

Les auteurs distinguent trois composantes de la littératie GenAI : compréhension conceptuelle, application stratégique et évaluation critique-éthique. L’application stratégique est la plus fréquemment documentée : formuler des requêtes, utiliser l’IA pour écrire ou réviser, exploiter un feedback, préparer une activité. L’évaluation critique est également assez présente. En revanche, la compréhension du fonctionnement du système est beaucoup plus rarement mesurée directement.

Cette distinction est capitale : utiliser efficacement ChatGPT, se déclarer compétent ou obtenir une bonne production ne démontre pas nécessairement que l’on comprend la génération probabiliste, l’incertitude, les hallucinations ou les limites des données utilisées par le modèle. Les auteurs distinguent d’ailleurs explicitement littératie, confiance, prompt literacy, préparation à l’usage et agentivité professionnelle.

En langues, la difficulté est encore plus forte : il faut pouvoir évaluer exactitude, pertinence rhétorique, adéquation culturelle, registre, genre et responsabilité d’auteur. Une formulation peut être impeccable grammaticalement tout en étant inappropriée à la situation.

Focus français

Une véritable littératie IA en français pourrait donc exiger quatre comportements observables : expliquer ce que le système ne garantit pas ; identifier une sortie douteuse ; juger l’adéquation d’une reformulation au registre ; justifier l’acceptation ou le refus d’une modification.

Limites

Les études analysées sont très hétérogènes, ce qui exclut une méta-analyse statistique. Le champ mesure encore fréquemment perceptions et déclarations plutôt que compétences effectivement démontrées.

4. Jeunes enfants : pourquoi un LLM généraliste ne peut pas être supposé pédagogiquement adapté simplement parce qu’il parle couramment

[COG-PSY] [RECHERCHE] — mots-clés : enfance, charge-cognitive, langage, agents, protection-mineurs — niveau : étude computationnelle peer-reviewed, aucune validation directe chez l’enfant

Une étude publiée le 7 septembre dans Discover Artificial Intelligence examine un problème souvent absent des discussions sur les chatbots éducatifs : un modèle généraliste produit spontanément un langage adulte, alors que les enfants de 3 à 6 ans utilisent des énoncés courts, fragmentaires, ambigus et très dépendants du contexte émotionnel.

Les chercheurs conçoivent un système combinant graphe de dialogue, inférence bayésienne et contraintes inspirées de la théorie de la charge cognitive. Le modèle est notamment pénalisé lorsqu’il génère des mots trop complexes ou des phrases trop longues.

Sur un corpus adapté à l’âge à partir de dialogues pédagogiques, complété par des données CHILDES, le système obtient 91,82 % de précision dans la reconnaissance des intentions, soit 7,22 points de mieux que le meilleur système de comparaison. Des enseignants de maternelle ont également jugé ses réponses plus pédagogiquement appropriées.

Mais les auteurs insistent eux-mêmes sur ce que leur travail ne démontre pas. Aucun enfant n’a été exposé au système dans cette recherche. La « charge cognitive » utilisée est un indicateur calculé à partir du texte, et non une mesure réelle de la charge ressentie par des enfants. Ils écrivent explicitement que leur étude ne démontre ni la sécurité du système, ni une amélioration des apprentissages, ni sa préparation à un déploiement réel.

Le résultat le plus utile est donc une mise en garde méthodologique : la fluidité linguistique d’un chatbot ne constitue pas une preuve d’adaptation pédagogique.

Intérêt collège / lycée

Le principe dépasse la maternelle. Un agent scolaire devrait être contraint par l’âge, le niveau, l’objectif d’apprentissage et les situations dans lesquelles il doit demander une précision plutôt que répondre. « Explique simplement » constitue une consigne bien trop vague.

5. Un essai randomisé en collège-lycée montre que l’IA utilisée par les enseignants peut elle aussi dégrader l’expérience d’apprentissage

[TERRAIN] [RECHERCHE] — mots-clés : motivation, préparation, formation-enseignants, performance, relation-enseignant — niveau : essai randomisé de terrain, preprint non peer-reviewed

L’un des rares résultats causaux actuellement disponibles sur l’usage enseignant de l’IA mérite une place particulière. Generative AI Can Harm Teaching repose sur un essai randomisé mené dans des collèges et lycées turcs. L’échantillon analytique comprend 193 enseignants et 2 816 élèves, pour plus de 14 000 observations élève-cours.

Les enseignants traités disposent d’un assistant basé sur GPT-4o et ancré dans le curriculum national turc. Ils l’utilisent surtout pour produire notes de cours, exercices, évaluations et autres supports.

L’accès à l’IA n’a pas d’effet significatif sur les performances scolaires en moyenne. En revanche, la motivation intrinsèque des élèves diminue de 0,11 écart-type : ils jugent les cours moins intéressants, moins agréables et moins importants. L’effet est plus important chez les enseignants qui utilisaient déjà beaucoup l’IA avant l’expérience.

Le résultat le plus préoccupant concerne les enseignants initialement les moins performants : leurs élèves connaissent une baisse de performance d’environ 0,13 écart-type et une diminution de leur confiance. Ce phénomène n’apparaît pas chez les enseignants initialement plus performants.

L’hypothèse avancée est que la GenAI peut devenir un substitut au travail pédagogique de conception, et non un simple amplificateur. Beaucoup d’interactions observées sont courtes et centrées sur la génération immédiate de matériel.

Focus toutes disciplines

« J’ai préparé ma séance plus vite » ne signifie donc pas « ma séance est meilleure ». Le matériau généré doit être repris en fonction du niveau exact de la classe, des difficultés observées, de la progression, des exemples choisis et de la voix professionnelle du professeur.

Limites

Il s’agit d’un working paper, non encore peer-reviewed. Le contexte est celui d’un réseau scolaire privé turc et d’un dispositif particulier. Le résultat ne permet donc pas d’affirmer que l’usage enseignant de l’IA est intrinsèquement nocif.

À retenir aujourd’hui

• L’UNESCO ouvre la semaine internationale sur l’IA éducative en plaçant agentivité, développement des jeunes, pensée, évaluation et gouvernance avant les fonctionnalités des outils.
• Une expérience internationale suggère que les publics les plus fragiles peuvent obtenir les gains assistés les plus importants, tout en présentant davantage de risques concernant rétention ou détection des erreurs.
• En langues, la recherche mesure encore plus facilement l’usage de l’IA que sa compréhension réelle.
• La fluidité d’un agent conversationnel ne constitue en rien une preuve de son adaptation développementale ou pédagogique.
• L’IA peut également poser problème lorsqu’elle est utilisée par le professeur : la productivité de préparation et la qualité réelle de l’enseignement doivent être évaluées séparément.

À tester en classe

Le double test « performance / apprentissage ». Réaliser une activité avec IA, puis vingt minutes ou un cours plus tard proposer une tâche analogue très courte sans IA. Conserver deux indicateurs séparés : ce que l’élève réussit avec assistance / ce qu’il sait reproduire seul.

La vérification à quatre niveaux. Pour une sortie IA utilisée en français, langues, histoire ou sciences, faire examiner successivement : exactitude / preuve / adéquation au contexte / décision finale. La responsabilité du dernier niveau reste obligatoirement celle de l’élève.

À surveiller

La Digital Learning Week de l’UNESCO, ouverte aujourd’hui à Paris, devient le principal point de veille des prochains jours : agentivité enseignante, « ghost learners », agents autonomes, IA d’intérêt public et souveraineté numérique. La future déclaration ministérielle sur l’éducation à l’ère de l’IA devra être analysée après son adoption formelle, et non à partir des annonces préparatoires.

Sont également prioritaires les études K-12 séparant clairement performance assistée, rétention et transfert, les travaux sur les effets différenciés selon les profils d’élèves, et les essais randomisés sur l’usage de l’IA par les enseignants, encore beaucoup plus rares que ceux portant sur les élèves.