← Toutes les newsletters

1. Motivation : 42 études contrôlées et 6 059 participants montrent un effet positif moyen de l’IA générative… mais extrêmement hétérogène

[COG-PSY] [RECHERCHE] — mots-clés : motivation, méta-analyse, hétérogénéité, langues-vivantes, secondaire — niveau : méta-analyse peer-reviewed

Une méta-analyse publiée le 24 septembre 2026 dans Frontiers in Psychology rassemble 56 tailles d’effet issues de 42 études expérimentales ou quasi-expérimentales contrôlées, soit 6 059 participants. L’effet moyen de l’usage pédagogique de l’IA générative sur la motivation est positif et assez important : Hedges g = 0,764.

Ce chiffre ne doit cependant pas être lu isolément. L’hétérogénéité est très élevée (I² = 93,7 %) : les effets varient donc fortement selon les dispositifs. Les analyses exploratoires trouvent des effets plus élevés dans le supérieur que dans le primaire-secondaire, dans les contextes collectivistes que dans les contextes individualistes, en apprentissage des langues que dans les autres disciplines, et sur appareils mobiles plutôt que sur ordinateur. Les auteurs rappellent que ces modérateurs correspondent à des caractéristiques des études et non à des variables manipulées expérimentalement.

Le résultat est particulièrement utile pour le lycée : la question n’est pas « l’IA motive-t-elle ? », mais quel usage, pour quel élève, dans quelle discipline et avec quel scénario ? La personnalisation, le feedback immédiat et le sentiment de contrôle peuvent soutenir la motivation ; à l’inverse, surcharge informationnelle, hallucinations et facilité excessive peuvent augmenter la charge cognitive ou favoriser la dépendance.

Focus lettres / langues

Les résultats plus favorables observés en apprentissage des langues donnent une piste, mais pas un blanc-seing. Un dispositif raisonnable consiste à utiliser l’IA pour fournir plusieurs reformulations, exemples ou relances, puis à rendre à l’élève la responsabilité du choix et de la justification. L’objectif est de soutenir le sentiment de compétence sans supprimer l’effort de formulation.

Limites

L’hétérogénéité massive interdit de traiter l’effet moyen comme une prédiction pour une classe donnée. Les sous-groupes sont exploratoires et les études incluses restent très diverses par âge, durée, outil et mesure de la motivation.

Source : Fang et al., Frontiers in Psychology, 24 septembre 2026.
https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2026.1832451/full

2. Corriger des copies longues avec un LLM : 50 % d’accord exact au mieux, et une même copie peut changer de note selon le jour

[EDTECH] [RECHERCHE] — mots-clés : évaluation, correction, fiabilité, biais, supervision-humaine — niveau : étude comparative peer-reviewed

Une étude publiée le 24 septembre dans Frontiers in Education teste plusieurs grands modèles comme assistants de correction d’un examen universitaire de santé publique composé de trois questions longues et interprétatives. Les copies, anonymisées, avaient déjà été corrigées par des spécialistes humains ; les modèles recevaient ensuite les mêmes consignes de notation, sans connaître les notes humaines.

Le contraste entre modes rapides et raisonnants est net. En mode « thinking », ChatGPT obtient le meilleur accord avec les correcteurs humains : kappa pondéré = 0,718 (IC 95 % : 0,578–0,859). Mais l’accord exact n’est que de 50 % ; il monte à 90,6 % seulement si l’on accepte une différence d’un niveau de note. Kimi atteint 28,1 % d’accord exact et 78,1 % à ±1 niveau. Les autres modèles sont moins alignés.

Plus problématique encore pour une utilisation certificative : la stabilité n’est pas parfaite. Lorsque ChatGPT recorrige les mêmes copies pendant cinq jours, l’accord intersessions reste seulement modéré. Les modèles utilisent également moins souvent les notes extrêmes ; ChatGPT tend à être plus généreux avec les copies faibles et plus sévère avec les meilleures.

Focus français

Pour une dissertation, un commentaire ou un essai, cette étude plaide contre la délégation de la note à un LLM. L’usage plus défendable est celui d’un second regard non décisionnaire : demander au modèle de repérer les endroits où un critère du barème semble insuffisamment documenté, puis laisser le professeur confirmer ou rejeter ce signal à partir de la copie.

Limites

Une seule épreuve, 32 copies, contexte de master en santé publique et barème initialement conçu pour des humains. Les résultats ne se généralisent pas directement à l’EAF. Ils montrent surtout que la reproductibilité doit être mesurée avant toute automatisation d’une correction à enjeu.

Source : Brevik, Jerpseth & Lafontan, Frontiers in Education, 24 septembre 2026.
https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2026.1904452/full

3. Créativité et IA : la nouvelle revue systématique oblige à distinguer « produire davantage d’idées » et « apprendre à être créatif »

[PED-FR] [RECHERCHE] — mots-clés : créativité, écriture, co-création, agentivité, méthodologie — niveau : revue systématique peer-reviewed

Le CNR italien signale le 24 septembre la publication dans Education Sciences d’une revue systématique consacrée au rôle de l’IA générative dans la créativité. Les auteurs cartographient les outils, dispositifs et types de preuves de la première phase d’adoption et posent une question devenue centrale : que devient le processus créatif lorsque certaines opérations sont partagées avec une IA ?

L’intérêt de cette revue est précisément de ne pas confondre trois objets : la qualité créative du produit final, la quantité ou diversité d’idées disponibles, et le développement durable de capacités créatives chez l’apprenant. Une IA peut augmenter rapidement l’espace des possibles sans que l’élève ait nécessairement appris à produire lui-même des alternatives, à évaluer leur originalité ou à comprendre pourquoi il en retient une.

Cette distinction rejoint les travaux récents sur l’agentivité en écriture : l’usage le plus formateur n’est probablement pas « donne-moi cinq idées », mais « voici mes trois idées : aide-moi à identifier leurs présupposés, leurs ressemblances et les directions que je n’ai pas explorées ». L’IA devient alors un dispositif de contraste plutôt qu’un fournisseur d’invention.

Focus français / arts / musique

Pour une écriture créative, imposer un état zéro humain avant toute génération : trois choix de situation, de voix ou de forme. Après consultation de l’IA, l’élève doit documenter une idée acceptée, une idée transformée et une idée rejetée, avec justification esthétique.

Limites

La revue synthétise une phase encore jeune de la littérature, marquée par des protocoles et des définitions de la créativité très hétérogènes. Elle ne permet pas de conclure que l’IA développe en elle-même une créativité transférable.

Sources : Lo Presti et al., Education Sciences, 24 septembre 2026 ; CNR-ITD, présentation du projet, 24 septembre 2026.
https://doi.org/10.3390/educsci16091486
https://www.itd.cnr.it/en/news-and-events/the-role-of-generative-artificial-intelligence-in-nurturing-creativity-a-systematic-review-of-the-early-adoption-phase%E2%80%9D.html

4. 102 études montrent que l’école supérieure utilise surtout l’IA comme « assistant » : les usages qui redistribuent vraiment l’autorité intellectuelle restent rares

[PED-AUT] [RECHERCHE] — mots-clés : littératie-IA, agentivité, responsabilité, usages, épistémologie — niveau : revue structurée peer-reviewed

Une revue publiée le 24 septembre dans Postdigital Science and Education classe 102 études empiriques selon la manière dont le travail intellectuel est réparti entre étudiant et IA. Deux formes dominent très largement : les usages d’Assistant et d’Enabler, qui représentent chacun 42,16 % du corpus. Les usages de Synthesizer, Generator et Reimaginator réunis restent sous 20 %.

Ce déséquilibre n’est pas attribuable aux limites techniques des modèles : les mêmes LLM peuvent remplir les cinq fonctions. Les auteurs y voient plutôt la trace des usages que les institutions et les dispositifs pédagogiques savent actuellement intégrer. Plus l’IA prend en charge une part importante de la synthèse, de la génération ou de la restructuration, plus deviennent difficiles les questions : qui sait ? qui décide ? qui est responsable du résultat ?

La conséquence est importante pour la « littératie IA ». Elle ne peut pas être réduite au prompting, à la vérification factuelle ou à l’éthique abstraite. Elle suppose d’apprendre à identifier où se trouve le travail épistémique dans une activité hybride et à assumer la responsabilité des décisions finales.

Focus interdisciplinaire

Une consigne simple peut accompagner tout travail autorisant l’IA : « Dans cette tâche, qu’avez-vous confié à l’IA : chercher, expliquer, proposer, synthétiser, rédiger, évaluer ? Quelle opération décisive êtes-vous resté capable d’effectuer sans elle ? »

Limites

La classification attribue un type principal à chaque étude et simplifie donc des usages souvent hybrides. Les « exigences de littératie » sont inférées théoriquement à partir des études publiées, pas mesurées directement auprès des élèves.

Source : Sun, Dohn & Rehm, Postdigital Science and Education, 24 septembre 2026.
https://link.springer.com/article/10.1007/s42438-026-00697-7

5. 20 000 enseignants européens : l’usage de l’IA atteint 63 %, mais seuls 16 % pensent que l’IA généraliste améliore les apprentissages

[TERRAIN] [COMMERCIAL] — mots-clés : enseignants, Europe, adoption, apprentissage, outils-éducatifs — niveau : enquête commerciale internationale, données GfK

La nouvelle édition de l’European Teacher Survey de Sanoma Learning, publiée le 24 septembre, repose sur plus de 20 000 enseignants de 14 pays européens, du primaire au secondaire supérieur et à la voie professionnelle ; la collecte a été réalisée par GfK.

L’écart entre adoption et conviction pédagogique est spectaculaire. 63 % déclarent utiliser ou vouloir utiliser l’IA pour préparer des ressources pédagogiques, contre 49 % dans les enquêtes 2023–2025. La proportion se disant à l’aise avec les outils génératifs passe de 28 % à 42 % en un an. Pourtant, seulement 16 % pensent que les IA généralistes améliorent les résultats d’apprentissage, contre 18 % en 2023 et 14 % en 2025.

Entre 75 et 93 % selon les pays souhaitent des outils spécifiquement conçus pour l’éducation ; trois enseignants sur quatre restent préoccupés par les risques des IA généralistes pour la qualité de l’éducation et seulement environ un tiers soutient leur utilisation par les élèves à l’école.

Autre résultat intéressant : la progression du numérique ne supprime pas le papier. En Finlande, près de 80 % des enseignants du primaire et du premier secondaire privilégient désormais des supports principalement imprimés ; ils sont 62 % en Suède. Le modèle souhaité est davantage hybride que « tout IA ».

Ce que l’enquête permet — et ne permet pas — de dire

Elle montre une profession qui adopte rapidement l’IA pour son propre travail tout en restant sceptique sur sa valeur directe pour l’élève. Mais Sanoma Learning vend précisément des contenus et solutions éducatives, y compris intégrant l’IA : ses conclusions favorables aux outils « purpose-built » doivent donc être lues avec ce conflit d’intérêt commercial explicite.

Source : Sanoma Learning, European Teacher Survey 2026, 24 septembre 2026.
https://www.globenewswire.com/news-release/2026/09/24/3367985/0/en/european-teachers-are-adopting-ai-rapidly-but-want-tools-built-for-education.html

6. Former les futurs enseignants avec l’IA : une petite étude contrôlée trouve des gains de « métacréativité », mais rappelle pourquoi le scénario compte plus que l’accès à l’outil

[TERRAIN] [RECHERCHE] — mots-clés : formation-enseignants, métacognition, créativité, scénarisation, esprit-critique — niveau : étude mixte quasi-expérimentale peer-reviewed

Une étude publiée le 24 septembre dans Discover Artificial Intelligence compare deux groupes de première année d’université en Turquie suivant le même cours de philosophie de l’éducation avec le même enseignant. 22 étudiants constituent le groupe expérimental et 28 le groupe contrôle.

Dans le groupe expérimental, l’IA n’est pas utilisée comme générateur de réponses finales mais comme étayage métacognitif : les étudiants doivent comparer des alternatives, réviser des productions de l’IA, justifier leurs décisions et évaluer le résultat. Les attitudes positives envers l’IA progressent dans le groupe expérimental ; plusieurs dimensions auto-déclarées de « métacréativité » — reconstruction de connexions, évaluation, recherche de solutions, dimension affective — favorisent également le groupe expérimental après contrôle du prétest. Les deux groupes progressent toutefois en réussite académique, ce qui rappelle l’effet propre du cours.

Intérêt pour la formation et la classe

Le résultat est cohérent avec plusieurs travaux de la semaine : donner accès à l’IA n’est pas le traitement pédagogique. Le traitement est la structure de l’activité imposée autour d’elle. Une consigne de type « compare trois propositions, repère leurs faiblesses, reconstruis une quatrième solution et justifie tes arbitrages » est cognitivement très différente de « demande une solution à l’IA ».

Limites

Échantillon très réduit, groupes non randomisés provenant de deux filières différentes et mesures de métacréativité principalement auto-déclarées. L’étude détecte surtout des effets modérés à importants et ne permet pas une généralisation au secondaire.

Source : Leventoğlu & Ayçiçek, Discover Artificial Intelligence, 24 septembre 2026.
https://link.springer.com/article/10.1007/s44163-026-02319-4

7. OSS : pas de nouveau projet éducatif open source suffisamment mûr aujourd’hui — et c’est une information utile

[OSS] [OPEN-SOURCE] — mots-clés : open-source, maturité, confidentialité, validation, déploiement — niveau : veille de projets

Les nouveautés open source repérées aujourd’hui concernent surtout l’infrastructure générale des LLM, les agents et les workflows de développement. Aucune ne réunit simultanément les critères nécessaires pour une recommandation scolaire autonome : activité récente, licence claire, installation documentée, confidentialité maîtrisable, usage pédagogique identifiable et niveau minimal de validation.

Le projet Hiraia suivi hier reste plus intéressant pour l’éducation qu’un nouveau framework générique, précisément parce qu’il combine petit modèle local, corpus borné, fonctionnement hors ligne et scénario pédagogique explicite. Il reste cependant en alpha et ne franchit toujours pas le seuil d’une recommandation institutionnelle.

Cette rubrique ne sera pas remplie artificiellement : l’open source scolaire doit être évalué comme une solution éducative, pas seulement comme une nouveauté technique.

À retenir aujourd’hui

• La meilleure synthèse quantitative récente sur la motivation trouve un effet moyen positif de l’IA générative, mais une hétérogénéité de 93,7 % : le scénario pédagogique compte davantage qu’une moyenne globale.
• Pour la correction de productions longues, le meilleur LLM testé n’atteint que 50 % d’accord exact avec les humains et varie entre sessions : assistance possible, notation autonome non justifiée.
• En créativité, il faut distinguer amélioration du produit avec IA et développement d’une compétence créative transférable.
• La littératie IA devrait apprendre aux élèves à identifier qui effectue quelle opération intellectuelle et qui en assume la responsabilité.
• Chez plus de 20 000 enseignants européens, adoption professionnelle rapide et confiance dans les effets sur l’apprentissage évoluent très différemment.

À tester en classe

Le journal de délégation

À la fin d’un travail avec IA, faire remplir quatre lignes : ce que j’ai demandé ; ce que l’IA a produit ; ce que j’ai dû savoir pour juger sa réponse ; ce que je serais capable de refaire sans elle. La dernière ligne oblige à distinguer assistance et apprentissage.

La double correction aveugle

Sur un court paragraphe anonymisé, fournir aux élèves deux feedbacks, l’un humain et l’autre généré par IA, sans indiquer leur origine. Ils doivent les évaluer selon le même barème : exactitude, précision textuelle, utilité pour réviser, respect de la consigne. L’objectif n’est pas de « reconnaître l’IA », mais de montrer que l’autorité du feedback doit venir de sa qualité vérifiable.

À surveiller

• Les méta-analyses distinguant motivation immédiate, persistance et apprentissage effectif, notamment au secondaire.
• Les réplications de la correction par LLM sur des productions littéraires et argumentatives, où le jugement interprétatif est plus important.
• Les travaux mesurant la créativité après retrait de l’IA, condition nécessaire pour parler d’apprentissage créatif.
• Les futures éditions de l’European Teacher Survey et les éventuelles données détaillées par pays, niveau et discipline.
• Les projets open source scolaires capables de réunir localité, corpus contrôlé, confidentialité et validation pédagogique.

Nom d’archive : 2026-09-25_Veille-IA-Education.md