IA & Éducation — Newsletter n°44
Collège et lycée — Lettres, langues, mathématiques, sciences, EMI et formation des enseignants
Publications du 1er au 10 octobre 2026, avec priorité aux résultats des 9 et 10 octobre.
1. Écrire avec une IA : produire plus vite n’est pas nécessairement mieux raisonner
[PED-FR] [RECHERCHE] — mots-clés : écriture, argumentation, métacognition, autonomie — niveau : chapitre de synthèse scientifique, publié le 10 octobre 2026
Dans le Handbook of Human-AI Collaboration, Yvonne Rogers, Leon Reicherts, Zelun Tony Zhang et Mariam Hassib publient le 10 octobre un chapitre consacré à l’augmentation de la cognition par l’IA générative.
La question est différente de celle de la productivité : comment concevoir un assistant qui aide une personne à mieux examiner ses hypothèses, plutôt qu’à accepter rapidement une solution ?
Les auteurs rapprochent des recherches en interaction humain-machine, en prise de décision et en écriture.
Certaines expériences antérieures menées auprès de professionnels montrent des gains de rapidité dans la production de documents. Mais ces résultats ne prouvent ni une amélioration de la maîtrise rédactionnelle ni un transfert à une tâche effectuée sans IA.
Les auteurs insistent sur deux difficultés symétriques :
La surconfiance, qui conduit à accepter une suggestion incorrecte.
La sous-confiance, qui conduit à rejeter une proposition pourtant valable.
Une explication générée par le modèle ne suffit pas toujours à corriger ces comportements.
Des mécanismes de friction cognitive
Le chapitre décrit plusieurs stratégies permettant de maintenir l’engagement intellectuel : faire prendre une décision avant de montrer celle de l’IA, différer l’affichage d’une solution, fournir des questions plutôt qu’une réponse ou demander une justification contradictoire.
Ce sont des pistes de conception appuyées sur des études diverses, pas les résultats d’un nouvel essai réalisé dans des classes françaises. Springer
Focus lettres — Essai et commentaire
Pour un sujet tel que « Dans un poème de Rimbaud, la liberté se réduit-elle à la révolte ? », les élèves rédigent d’abord une thèse et deux justifications, avec citations vérifiables.
Le professeur présente ensuite une objection générée en amont par IA, sans proposer de plan rédigé.
Chaque élève doit préciser quelle citation pourrait infirmer sa première idée, puis réécrire sa thèse.
Une reprise sans assistance, sur un second extrait, mesure mieux l’apprentissage qu’une copie finale améliorée par le modèle.
Limites
Il s’agit d’une synthèse conceptuelle. Les études citées sont souvent menées auprès d’adultes et dans des tâches professionnelles.
Aucune efficacité propre de cette séance n’est démontrée. La qualité des textes doit être jugée sur leur argumentation et leurs preuves, non sur leur fluidité apparente.
Source — RECHERCHE, 10 octobre 2026 : Rogers et al., « Augmenting Human Cognition Through Generative AI », Handbook of Human-AI Collaboration.
2. Dialogue écrit, dialogue vocal et bilinguisme : 305 étudiants, mais aucun gain de connaissances supérieur démontré
[PED-AUT] [RECHERCHE] — mots-clés : langues-vivantes, tutorat, oral, différenciation, évaluation — niveau : prépublication expérimentale, non évaluée par les pairs
Une prépublication déposée le 5 octobre par une équipe de Cornell University compare six façons de travailler un même module de littératie de l’IA auprès de 305 étudiants indiens, âgés de 18 à 23 ans, locuteurs du kannada et scolarisés en anglais.
Les activités sont soit une réponse écrite, soit un dialogue avec un tuteur IA par texte ou par voix, en anglais seul ou en version bilingue kannada-anglais.
Les participants sont assignés aléatoirement à l’une des six conditions.
Le protocole
Le module comporte quatre courtes vidéos et leurs activités.
Le tuteur textuel utilise Gemini 2.5 Flash. Le dialogue vocal combine transcription, génération de réponse et synthèse vocale.
Les chercheurs analysent les traces d’interaction, un questionnaire de connaissances de 15 items, l’intérêt et l’auto-efficacité déclarés.
Les résultats
173 participants sur 305 terminent l’étude.
Les dialogues entraînent davantage de temps passé, de contributions et d’intérêt chez les participants qui les achèvent, mais ils sont moins souvent terminés que les réponses écrites.
Les connaissances progressent dans toutes les conditions, sans différence fiable de gain entre formats ou langues.
Le bilinguisme paraît particulièrement utile dans le dialogue vocal : moins de difficultés d’expression et moins d’abandons en cours d’échange. arXiv
Deux réserves méthodologiques importantes
La comparaison n’isole pas parfaitement la modalité : le feedback est immédiat après dialogue, mais retardé de 12 heures après réponse écrite.
De plus, la fermeture imprévue de centres partenaires a contribué à la forte attrition.
Les résultats concernent de jeunes adultes, non des collégiens.
Focus langues et français
Pour une activité de compréhension orale en espagnol, un élève peut reformuler une idée d’abord en français, puis en espagnol, avant de confronter sa formulation à une question de relance.
Le passage entre les langues doit servir d’étayage, pas de remplacement systématique de la langue étudiée.
En français, l’oralisation d’une interprétation littéraire peut aider à repérer une contradiction. Rien n’indique cependant que l’IA vocale soit plus efficace qu’un dialogue avec un pair.
Source — RECHERCHE, prépublication du 5 octobre 2026 : Dennison et al., « From Written Response to Dialogue with AI ».
Article scientifique et protocole
3. « Addiction à l’IA » : une nouvelle échelle psychométrique, mais aucune validation chez les adolescents
[COG-PSY] [RECHERCHE] — mots-clés : santé-mentale, dépendance, adolescents, mesure, usages-numériques — niveau : étude de validation psychométrique, évaluée par les pairs, 10 octobre 2026
Belgin Varol, Yalçın Kanbay et Burcu Arkan publient le 10 octobre dans Discover Psychology la validation initiale de l’échelle BERTA Artificial Intelligence Addiction Scale.
Le terme « addiction » figure dans le titre de l’instrument ; il ne désigne pas ici un diagnostic clinique reconnu chez les élèves.
Le protocole
Les chercheurs ont construit un questionnaire à partir d’un ensemble initial de 24 items, soumis à des experts puis réduit à 8 items, notés de 0 à 4.
Deux dimensions ressortent :
La privation ressentie lorsque l’outil est indisponible.
La sensibilité à son utilisation.
L’analyse exploratoire porte sur 308 adultes et l’analyse confirmatoire sur 306 autres, soit 614 usagers turcs de 18 ans ou plus.
Les résultats
| Indicateur | Résultat |
|---|---|
| Participants | 614 adultes |
| Items retenus | 8 |
| Facteurs identifiés | 2 |
| Variance expliquée | 60,2 % |
| Alpha de Cronbach | 0,88 |
| Oméga de McDonald | 0,90 |
| Fidélité test-retest à deux semaines | ICC = 0,81 |
Le test-retest ne concerne que 30 personnes.
L’étude est méthodologiquement plus précise qu’une simple enquête de temps d’écran, mais les participants ont été recrutés volontairement sur les réseaux sociaux.
Les mineurs, les non-utilisateurs et certaines personnes présentant des troubles psychiatriques étaient exclus. Springer+2
Ce que l’étude ne démontre pas
Aucune mesure de prévalence d’un trouble, aucun seuil diagnostique validé et aucune prédiction de difficultés scolaires ne sont établis.
Pour la vie scolaire et l’EMI
Éviter de qualifier d’« accro » un élève qui utilise souvent une IA.
Pour comprendre un usage problématique, s’intéresser plutôt à des situations concrètes de perte d’autonomie, de perturbation du sommeil ou d’abandon d’autres activités, avec les professionnels compétents.
Ne pas administrer cette échelle adulte comme dépistage scolaire.
Source — RECHERCHE, 10 octobre 2026 : Varol, Kanbay & Arkan, Discover Psychology.
4. Évaluer une « bonne séance » avec microphones, caméras et suivi du regard : 88,6 % d’exactitude, mais sur quoi ?
[TERRAIN] [RECHERCHE] — mots-clés : évaluation, formation-enseignants, données-personnelles, explicabilité — niveau : expérimentation algorithmique évaluée par les pairs, 10 octobre 2026
Une étude de Yun Feng et de ses collègues, parue le 10 octobre dans Discover Artificial Intelligence, teste un système d’analyse multimodale de séances.
Il combine acoustique, langage, vidéo, temporalité et comportements. Des méthodes d’explicabilité classent les variables les plus associées à une note de qualité pédagogique.
Le dispositif
Le jeu de données comprend 236 séances, soit 11 328 minutes, issues de six classes de trois collèges urbains et couvrant sciences, humanités et enseignement des langues.
Des microphones omnidirectionnels, caméras 4K et dispositifs de suivi du regard ont alimenté les mesures.
La référence utilisée est la moyenne des évaluations de trois experts, selon une adaptation de la grille CLASS.
Les résultats
Le modèle annonce 88,6 % d’exactitude pour classer la qualité des séances en trois niveaux, contre 84,1 % pour son meilleur comparateur.
Les facteurs classés en tête sont la cohérence sémantique du discours, l’engagement des élèves et la clarté de la parole enseignante. Springer+1
Ce que signifie réellement le score
Ce score ne signifie pas que l’IA reconnaît objectivement une bonne pédagogie.
Elle reproduit une catégorisation humaine sur un petit corpus contextualisé.
La corrélation d’un indice avec une note n’établit pas qu’en modifiant cet indice on améliore les apprentissages.
Aucun suivi longitudinal des progrès des élèves n’est présenté.
Focus lettres
La cohérence du discours d’un professeur de français mérite réflexion, mais une explication littéraire exige parfois des digressions, des hésitations et des reformulations productives.
Un indice automatique de fluidité ne saurait apprécier la finesse d’une interprétation ou la qualité d’un débat.
L’enregistrement et l’analyse de mineurs soulèvent par ailleurs des exigences élevées de nécessité, de proportionnalité et de protection des données.
Limites
Le corpus est réduit et géographiquement limité.
Les évaluations humaines restent subjectives. Les variables explicatives sont corrélées aux scores, sans démonstration causale.
Le dispositif ne doit donc pas être considéré comme un outil validé pour l’évaluation professionnelle des enseignants. Springer
Source — RECHERCHE, 10 octobre 2026 : Feng et al., Discover Artificial Intelligence.
Lire l’étude et la description du corpus
5. Prédire les résultats scolaires : des modèles classiques battent l’« attention », et les fuites de données faussent les comparaisons
[EDTECH] [RECHERCHE] — mots-clés : évaluation, biais, données-scolaires, reproductibilité, explicabilité — niveau : benchmark évalué par les pairs, 10 octobre 2026
Kadir Kesgin et Erdoğan Usta publient le 10 octobre une comparaison de sept familles de modèles de prédiction de réussite ou de décrochage à partir de trois jeux de données éducatives : UCI Dropout, Mendeley AI et Kaggle 2024.
Le protocole comprend 840 évaluations modèle–partition, des validations répétées et une comparaison contrôlée entre un réseau utilisant l’attention et un réseau de capacité comparable sans attention.
Le problème des fuites de données
L’enjeu méthodologique est la fuite de données : lorsqu’une variable contient directement ou indirectement la réponse à prédire, un algorithme paraît remarquablement performant sans savoir réellement anticiper le résultat.
Les chercheurs retirent ainsi la variable ExamScore utilisée comme quasi-réponse dans un corpus et évitent de répartir des doublons entre apprentissage et test.
Les résultats
Le Gradient Boosting arrive en tête sur les trois jeux, avec un score macro-F1 compris entre 0,6988 et 0,9185.
Le mécanisme d’attention ne présente aucun avantage statistiquement significatif par rapport à son ablation contrôlée après correction des tests multiples.
Le résultat est négatif, mais utile : plus de complexité ne signifie pas meilleure prédiction. Springer
Une réserve importante
Les auteurs reconnaissent qu’un des jeux, Mendeley AI, conserve des variables potentiellement dérivées de la note cible (Total et Categories), sans nouveau test après leur suppression.
Leurs propres résultats ne doivent donc pas tous être considérés comme exempts de fuite. Springer
Conséquence pour les établissements
Un tableau de bord prédictif ne devrait jamais décider seul d’une orientation, d’une aide ou d’un jugement sur un élève.
Il faut exiger la date à laquelle chaque variable est connue, la validation sur d’autres établissements, l’analyse des erreurs par groupes et l’existence d’une intervention humaine réellement utile.
Prédire n’est pas expliquer, et expliquer n’est pas aider.
Source — RECHERCHE, 10 octobre 2026 : Kesgin & Usta, Discover Artificial Intelligence.
6. Six scénarios pour l’école de 2030 : l’IA pourrait accroître le besoin de travail pédagogique humain
[POL-PUB] [RECHERCHE] — mots-clés : politique-publique, formation-enseignants, autonomie, équité — niveau : étude prospective d’experts, mise en ligne le 6 octobre 2026
Une publication de Computers and Education Open, déposée dans l’archive de l’université de Chichester le 6 octobre, présente les travaux d’un groupe international lié à EDUsummIT 2025.
Des chercheurs issus de 13 pays et 18 institutions ont élaboré six scénarios d’environnements éducatifs enrichis par l’IA à l’horizon 2030, de l’école au supérieur.
Trois tensions principales
L’analyse thématique identifie 12 thèmes transversaux et trois tensions.
Le paradoxe du « davantage d’humain » suggère qu’une présence accrue de l’IA exige davantage de médiation pédagogique plutôt qu’une disparition du travail enseignant.
La deuxième tension concerne la nécessité d’étayer l’autonomie des élèves au lieu de la présumer.
Enfin, les usages pertinents de l’IA diffèrent selon l’âge des apprenants, la discipline et le contexte institutionnel.
Les auteurs proposent trois priorités pour la formation : apprendre à construire des partenariats critiques avec les IA, organiser des environnements d’apprentissage hybrides et disposer d’infrastructures fiables et équitables. University of Chichester
Ce que cela change
Le rapport invite à ne pas confondre autonomie technique et autonomie intellectuelle.
Un élève peut parfaitement savoir interroger un chatbot sans savoir déterminer si sa réponse est correcte, utile ou adaptée à la tâche.
Inversement, un enseignant peut utiliser l’IA pour préparer une séance tout en maintenant une activité entièrement autonome pour les élèves.
Pour un conseil pédagogique
Plutôt que de débattre abstraitement de « pour ou contre l’IA », comparer trois situations : un outil qui fournit directement la réponse, un outil qui questionne le raisonnement et un outil utilisé uniquement par le professeur pour préparer une activité.
Pour chacune, préciser qui décide, qui vérifie et quelle compétence reste observable sans assistance.
Limites et statut
Ce travail n’est ni une prévision probabiliste ni un texte réglementaire français ou européen.
Ce sont des scénarios élaborés par des experts, sans test d’efficacité dans les classes.
Sources — RECHERCHE, mise en ligne du 6 octobre 2026 : Malyn-Smith, Torrington, Webb et al., « Navigating AI’s educational future ».
Archive institutionnelle et texte de l’étude
Article dans Computers and Education Open
7. Open source : Hazel Prover propose des preuves explicites plutôt que des solutions générées
[OSS] [OPEN-SOURCE] — mots-clés : mathématiques, NSI, open-source, raisonnement, local — niveau : prototype de recherche et prépublication du 1er octobre 2026
Le 1er octobre, Nishant Kheterpal et ses collègues ont déposé une courte prépublication présentant une extension de Hazel Prover, environnement de raisonnement équationnel.
L’outil propose plusieurs niveaux d’automatisation : un débutant peut demander davantage d’étapes justifiées, tandis qu’un utilisateur avancé peut simplifier des manipulations et exporter des preuves vers Rocq.
Une approche différente des modèles génératifs
Le point distinctif est important pour la didactique : ce n’est pas un chatbot génératif.
Les transformations relèvent de règles explicites de réécriture et d’un environnement de programmation formel.
L’outil ne prétend donc pas « comprendre » une démonstration comme le ferait un professeur ; il aide à rendre ses étapes vérifiables.
La prépublication présente plusieurs études de cas couvrant des mathématiques de niveau élémentaire à universitaire. arXiv
Licence, installation et confidentialité
Le projet principal Hazel est libre sous licence MIT.
Sa publication scientifique d’octobre atteste de travaux récents.
Il est possible de l’essayer dans le navigateur ou de le compiler localement avec OCaml 5.2, opam et npm.
Aucun GPU spécialisé n’est requis pour ce moteur de preuve.
L’auto-hébergement du logiciel peut limiter les transmissions de travaux à un tiers, sous réserve d’auditer la configuration retenue. GitHub
Limites scolaires
La nouvelle interface relève de la recherche et non d’un produit validé pour le programme français du lycée.
Aucune amélioration mesurée chez des lycéens français n’est démontrée.
La licence MIT du dépôt principal ne suffit pas à certifier que chaque extension expérimentale est déjà distribuée et déployable de la même manière.
Sources — OPEN-SOURCE / RECHERCHE : Kheterpal et al., prépublication du 1er octobre 2026.
Proof Interfaces for Exploratory Mathematics — arXiv
Dépôt officiel et instructions d’installation de Hazel
Essayer Hazel dans le navigateur
À retenir aujourd’hui
L’IA peut accélérer l’écriture sans améliorer le raisonnement. Demander une position initiale avant de montrer une suggestion reste une piste pédagogique plus solide que faire produire un texte entier.
Le dialogue avec une IA n’a pas montré de gain de connaissances supérieur à la réponse écrite dans une étude de 305 étudiants. Il mobilise davantage ceux qui terminent l’activité, mais augmente les abandons.
L’« addiction à l’IA » n’est pas un diagnostic scolaire. La nouvelle échelle BERTA n’a été validée que chez des adultes turcs.
Les tableaux de bord scolaires ne sont pas des arbitres neutres. Une prédiction peut reproduire des évaluations subjectives ou bénéficier de fuites de données.
Les outils formels non génératifs méritent une place dans la réflexion sur l’IA. Rendre les étapes d’une preuve visibles peut être plus utile qu’obtenir immédiatement le résultat.
À tester en classe
1. Une objection, pas une rédaction — français
Durée : 25 minutes.
Distribuer un extrait littéraire et une question argumentative.
Pendant 10 minutes, chaque élève formule une thèse, une preuve textuelle et une justification.
Distribuer ensuite une objection préparée par le professeur avec une IA, sans fournir de réponse complète.
Pendant 10 minutes, les élèves indiquent ce qu’ils conservent, corrigent ou rejettent ; ils citent le texte.
Les 5 dernières minutes servent à rédiger une nouvelle thèse.
Évaluer l’évolution de la justification, non la seule élégance de la phrase.
Aucun compte élève ni donnée nominative transmis à un service externe.
2. Un résultat ne fait pas une démonstration — mathématiques / NSI
Durée : 20 minutes.
Présenter deux résolutions d’un même problème : l’une donne immédiatement le bon résultat, l’autre explicite des transformations vérifiables mais comporte une étape discutable.
Les élèves doivent localiser l’erreur, corriger la preuve et expliquer pourquoi la réponse finale ne suffit pas.
Une démonstration autonome sur un cas analogue clôt l’activité.
Hazel peut être exploré par le professeur comme support de préparation, sans le présupposer adapté aux élèves.
À surveiller
Recherche. Validation interculturelle et chez les adolescents de l’échelle BERTA ; études différées mesurant les apprentissages réels après dialogue vocal ou écrit ; réévaluation des modèles prédictifs après suppression de toutes les variables dérivées de la cible.
Politique et formation. Les captations éventuelles des travaux d’EDUsummIT ; les exigences de protection des données pour toute analyse audio, vidéo ou oculométrique en classe.
Formation française. Réseau Canopé propose le 12 octobre 2026, de 12 h à 13 h, un atelier à distance sur l’IA et la différenciation. Les inscriptions sont annoncées jusqu’au 11 octobre à 23 h 59. Consulter la fiche officielle de la formation.
Open source. Publication et documentation de l’extension Hazel Prover, exemples reproductibles au niveau lycée, tests de transfert vers une démonstration sur papier.
Archive : 2026-10-11_Veille-IA-Education.md
Identifiant : VIE-2026-10-11