← Toutes les newsletters

1. Californie : une loi impose désormais des protections spécifiques aux mineurs face aux chatbots compagnons

[POL-PUB] [OFFICIEL] — mots-clés : protection-mineurs, chatbots, santé-mentale, données-personnelles, contrôle-parental — niveau : loi adoptée le 10 septembre 2026

Le gouverneur de Californie a signé le 10 septembre 2026 le Senate Bill 1119, dit Adam’s Law, qui crée un cadre spécifique pour les chatbots compagnons utilisés par des mineurs.

Le texte impose notamment une vérification de la tranche d’âge, des évaluations de risques avant le lancement ou la modification substantielle du produit, des mécanismes de signalement des incidents et des audits indépendants. Il prévoit aussi des réglages parentaux portant notamment sur les notifications, la durée d’utilisation et certaines formes de mémoire conversationnelle persistante.

La loi cible également certains comportements conversationnels : contenus sexuels, incitation à l’automutilation, jeu de rôle romantique avec un mineur, flatterie excessive et mécanismes susceptibles de favoriser une dépendance affective ou l’isolement. Des restrictions s’appliquent aussi à la publicité ciblée et au traitement des données.

Pour l’école, l’enjeu dépasse les seuls outils pédagogiques. Des élèves peuvent utiliser hors classe des agents conçus pour la compagnie ou le soutien émotionnel. Une politique scolaire sur l’IA devrait donc distinguer au moins assistant scolaire, outil de productivité et compagnon conversationnel.

Limites

Il s’agit d’un texte californien, sans portée juridique en France. Son intérêt est comparatif : il traduit en obligations concrètes plusieurs risques déjà identifiés dans les travaux sur IA et adolescents.

2. Évaluation avec IA : une étude sur 1 284 étudiants définit cinq compétences beaucoup plus précises que le simple « savoir prompter »

[PED-FR] [RECHERCHE] — mots-clés : évaluation, feedback, vérification, intégrité-académique, agentivité — niveau : étude psychométrique peer-reviewed, transversale

Une étude publiée le 10 septembre dans Frontiers in Education développe une échelle de littératie de l’évaluation avec IA générative. Les chercheurs ont recueilli 1 386 questionnaires dans six établissements chinois d’enseignement supérieur ; 1 284 réponses valides ont été conservées. L’échantillon a été séparé entre une analyse exploratoire (n = 486) et une validation confirmatoire (n = 798).

L’échelle finale comporte 18 items répartis en cinq dimensions : compréhension des critères d’évaluation ; capacité à décider si l’IA est appropriée pour la tâche ; vérification des informations, preuves et raisonnements ; attribution éthique et transparence de l’usage ; capacité à exploiter le feedback pour réviser tout en conservant la responsabilité de la version finale.

La cohérence interne est forte, avec un alpha global de 0,93. Le score total est corrélé à l’engagement avec le feedback (r = 0,60) et à l’intention de respecter l’intégrité académique (r = 0,51).

L’intérêt pour l’école est majeur : la compétence IA ne consiste pas à obtenir une bonne réponse, mais à savoir quand utiliser l’outil, vérifier ce qu’il produit, déclarer son intervention et conserver la décision finale.

Focus lettres

Pour une dissertation, un commentaire ou une contraction, les cinq dimensions peuvent devenir une grille élève :

critère évalué → usage autorisé ? → vérification → déclaration → décision finale de révision.

Limites

L’étude est transversale, repose largement sur des auto-déclarations et concerne l’enseignement supérieur. Les corrélations observées ne démontrent pas que cette littératie cause de meilleurs apprentissages ou davantage d’intégrité.

3. Lycée : 120 élèves construisent environ 80 applications avec une plateforme no-code et l’IA

[PED-AUT] [TERRAIN/COMMERCIAL] — mots-clés : programmation, créativité, projet, lycée, littératie-IA — niveau : pilote terminé, résultats principalement déclaratifs

Un pilote mené dans quatre lycées de Virginie-Occidentale a mobilisé environ 120 élèves de grades 9 à 12 autour de Thunkable, plateforme de création visuelle d’applications mobiles et web. Le bilan a été publié le 10 septembre.

Les enseignants avaient reçu une formation préalable et le dispositif a été intégré à des cours d’entrepreneuriat, de Coding Game and App Design et d’Informational Design and Coding. Les élèves ont produit environ 80 applications. Parmi les exemples cités figurent un outil destiné à aider des élèves à besoins spécifiques à gérer emploi du temps, notes et ressources, une application de bien-être pour adolescents et un outil de gestion pour petites entreprises.

L’intérêt pédagogique tient moins au nombre d’applications qu’au changement de rôle : l’élève construit avec l’IA un objet qui doit répondre à un besoin réel, au lieu d’utiliser l’IA pour obtenir directement une réponse scolaire.

Cette logique est particulièrement pertinente pour SNT, NSI, technologie, économie-gestion, arts numériques et projets interdisciplinaires.

Limites

Les résultats sont publiés par les partenaires du programme. Il n’y a ni groupe contrôle ni mesure indépendante des compétences. Le chiffre de 44 % d’élèves déclarant davantage d’intérêt pour l’entrepreneuriat mesure une attitude et non un apprentissage.

4. EdTech : Oxford University Press étend son assistant IA limité à ses propres manuels

[EDTECH] [COMMERCIAL] — mots-clés : corpus-fermé, sources, quiz, intégrité-académique, vérification — niveau : déploiement commercial, efficacité indépendante non établie

Oxford University Press a annoncé le 9 septembre l’extension de son AI Study Assistant aux plateformes Business Trove, Politics Trove et Science Trove, après un premier déploiement sur Law Trove.

La différence avec un chatbot généraliste est importante : les réponses, résumés et quiz sont produits à partir des manuels OUP présents dans la plateforme, avec références vers les sections correspondantes. Dans Science Trove, les réponses peuvent réutiliser les figures des ouvrages avec leurs légendes plutôt que générer de nouvelles illustrations.

OUP ajoute aussi un module de littératie consacré aux fondamentaux de la GenAI, à l’intégrité académique, à la pensée critique et aux requêtes. Certaines configurations permettent aux enseignants de consulter les historiques d’interaction des étudiants.

Cette architecture est pédagogiquement intéressante : restreindre le corpus facilite le retour aux sources et réduit le caractère opaque des réponses, sans supprimer le risque d’erreur. OUP indique d’ailleurs explicitement que ses produits ne sont pas garantis exempts d’erreurs ou toujours exacts, et certaines interfaces restent en bêta.

Focus lettres

Un équivalent pertinent serait un assistant limité à l’œuvre intégrale, au corpus du professeur et à quelques ressources critiques validées, avec renvoi systématique aux passages sources.

Limites

Je n’ai trouvé aucune évaluation indépendante démontrant que l’assistant améliore les apprentissages. Le prix dépend des abonnements et accords institutionnels OUP : ce n’est pas un service scolaire gratuit.

5. Les agents entrent dans la formation K-12 d’OpenAI : la question passe du « prompt » au workflow

[EDTECH] [COMMERCIAL] — mots-clés : agents, workflows, formation-enseignants, supervision-humaine, données — niveau : formation fournisseur, pas preuve d’efficacité

Le 10 septembre, OpenAI Academy a proposé une session ChatGPT Edu 102 for K-12 destinée aux enseignants et responsables d’établissements. Le contenu illustre une évolution importante : il ne s’agit plus seulement de formuler une bonne question, mais d’organiser des tâches multiétapes, des workflows réutilisables et des processus agentiques.

Les exemples portent sur la recherche, la préparation de réunions, la communication, le suivi de formation ou la planification. La formation aborde aussi l’usage de fichiers approuvés, l’itération et, lorsqu’ils sont disponibles dans l’environnement institutionnel, des agents ou espaces de travail capables d’enchaîner plusieurs opérations.

Le changement est important pour l’école. Un chatbot fournit une réponse ; un workflow agentique peut enchaîner plusieurs actions sans que chacune soit examinée séparément. Il devient donc indispensable de distinguer :

ce qui peut être automatisé → ce qui doit être vérifié → ce qui exige une décision professionnelle finale.

Limites

Il s’agit d’une formation produite par OpenAI sur ses propres outils. Elle renseigne sur les fonctionnalités et garde-fous annoncés, mais ne constitue pas une évaluation indépendante de leur efficacité pédagogique.

6. Open source : MiniMind permet de transformer le LLM lui-même en objet d’apprentissage

[OSS] [OPEN-SOURCE] — mots-clés : open-source, modèle-local, programmation, SNT-NSI, littératie-IA — niveau : projet très actif, outil technique non conçu spécifiquement pour le secondaire

MiniMind est un projet sous licence Apache 2.0 conçu pour rendre visible l’ensemble de la chaîne de construction d’un petit modèle de langage : tokenizer, pré-entraînement, ajustement supervisé, LoRA, préférences, RLHF/RLAIF, appels d’outils et apprentissage agentique.

Le modèle dense principal compte environ 64 millions de paramètres. Le projet est pensé pour fonctionner sur du matériel beaucoup plus accessible qu’un grand LLM industriel et documente notamment des entraînements sur une RTX 3090. Il peut ensuite être utilisé avec des environnements tels qu’Ollama, llama.cpp ou Transformers.

Son intérêt pour l’éducation est différent de celui d’un chatbot : l’élève peut observer comment un modèle est construit. Pour une classe avancée de NSI, un club informatique ou une formation d’enseignants, on peut travailler sur :

tokenisation → prédiction du token suivant → pré-entraînement → ajustement → évaluation.

La littératie IA devient expérimentale : modifier les données ou certains paramètres puis observer les conséquences.

Limites

MiniMind demande des compétences Python et machine learning, sa documentation est principalement en chinois et en anglais, et les performances du petit modèle ne sont pas comparables à celles d’un modèle commercial. Aucune étude pédagogique ne valide son usage en classe.

À retenir aujourd’hui

1. La protection des mineurs s’étend désormais aux mécanismes relationnels et affectifs des chatbots, et plus seulement aux contenus ou aux données.
2. Une étude publiée hier propose une définition très opérationnelle de la littératie IA en évaluation : critères, pertinence, vérification, transparence, révision.
3. Le pilote Thunkable illustre une voie particulièrement intéressante : construire avec l’IA plutôt que consommer ses réponses.
4. Les assistants limités à un corpus fermé et vérifiable offrent une architecture plus contrôlable qu’un chatbot généraliste, sans supprimer la nécessité de vérifier.
5. L’arrivée des agents et workflows oblige à distinguer automatisation d’une tâche et délégation d’une décision professionnelle.

À tester en classe

La grille « IA autorisée dans cette évaluation »

Pour chaque travail évalué, faire apparaître cinq cases : critère évalué / usage IA autorisé / vérification exigée / mention de l’usage / responsabilité finale. Les règles deviennent spécifiques à la tâche plutôt qu’abstraites.

Construire plutôt que demander

En SNT, technologie, économie-gestion ou projet interdisciplinaire, demander aux élèves de concevoir un petit outil destiné à un utilisateur réel. L’évaluation porte sur le problème choisi, les décisions de conception, les tests et les limites, et non sur la sophistication de l’IA.

À surveiller

Les premiers effets d’Adam’s Law sur les fonctions de mémoire, d’engagement et de contrôle parental ; la validation de l’échelle de GenAI assessment literacy sur des lycéens ; les évaluations indépendantes du pilote Thunkable ; les comparaisons entre assistants fondés sur un corpus fermé et chatbots généralistes ; l’intégration progressive d’agents dans les environnements scolaires ; et la maturation de projets open source locaux pouvant fonctionner sans envoyer de données d’élèves vers un service externe.

Nom d’archive : 2026-09-11_Veille-IA-Education.md