← Toutes les newsletters

Collège et lycée — Lettres, langues, mathématiques, sciences, économie-gestion, EMI et formation des enseignants.

Actualités scientifiques et techniques publiées le 13 octobre 2026 ; une expérimentation française antérieure est examinée en détail en regard de ces résultats.

1. Quand une étude affirme que l’IA améliore l’apprentissage, ses questionnaires et ses épreuves disent-ils la même chose ?

[COG-PSY] [RECHERCHE] — mots-clés : évaluation, métacognition, esprit-critique, mesure, autonomie — niveau : revue systématique évaluée par les pairs, 13 octobre 2026.

Dans International Journal of Educational Technology in Higher Education, Yijun Fan et ses collègues publient une revue méthodologique importante : la nature de la mesure conditionne ce qu’une recherche peut conclure sur les effets de l’IA. Les auteurs ne calculent pas une efficacité moyenne des chatbots. Ils confrontent, dans une même recherche, des mesures déclaratives (« je pense avoir progressé ») à des mesures non déclaratives (tests, productions notées, traces d’activité, observations) supposées mesurer la même compétence.

Protocole. Une première phase classe 2 099 notices d’études sur l’IA éducative, publiées entre 2020 et début 2026. Parmi elles, 22,6 % recourent uniquement à des déclarations, 30,6 % uniquement à d’autres indicateurs et 38,6 % aux deux. La seconde phase examine les textes intégraux d’un échantillon sélectionné par types de compétences ; après contrôle de l’alignement des instruments, elle retient 51 comparaisons portant sur une même compétence, issues de 47 publications.

Résultats. Les conclusions sont concordantes dans 30 cas, divergentes dans 11, et mixtes dans 10. Autrement dit, 21 comparaisons sur 51 ne conduisent pas à une conclusion uniforme selon la méthode de mesure. Ce n’est pas un taux généralisable à toute la recherche : l’échantillon de seconde phase est volontairement stratifié. Les analyses exploratoires ne démontrent pas que les compétences « peu observables » divergent plus souvent : p = 0,555, et p = 0,524 dans une analyse de sensibilité plus stricte.

Ce que chaque méthode mesure. Un questionnaire peut être pertinent pour le sentiment de confiance ou l’expérience vécue. Il ne suffit pas à établir que l’élève sait analyser une source, rédiger un raisonnement ou résoudre un problème. Réciproquement, un score automatique ou une grille de correction doit lui aussi démontrer sa validité. Les auteurs proposent trois questions : le produit est-il inspectable ? le retour est-il immédiat ? le critère de réussite est-il explicite ?

Focus lettres. Après une réécriture argumentative assistée, distinguer trois observations : (a) l’élève déclare mieux savoir argumenter ; (b) le texte final comporte des preuves mieux reliées à la thèse ; (c) une nouvelle tâche sans assistance, quelques jours après, confirme ou non le transfert. Les trois résultats ne sont pas interchangeables.

Limites. Les comparaisons approfondies concernent majoritairement le supérieur ; la revue n’a pas appliqué une évaluation formelle de la qualité de chaque étude et n’établit pas une hiérarchie universelle entre mesures.

Source — 13 octobre 2026 : Fan et al., Same construct, same conclusion? — article intégral.

2. Le questionnement socratique par IA devient plus fécond après une préparation métacognitive — et une séance sur Manon Lescaut en montre l’intérêt littéraire

[PED-FR] [RECHERCHE ; OFFICIEL] — mots-clés : écriture, lecture-littéraire, métacognition, argumentation, esprit-critique — niveau : étude expérimentale du 13 octobre ; scénario de première publié antérieurement.

Une étude de W. L. Zhang et ses collègues, parue le 13 octobre dans Frontiers in Psychology, teste non l’accès libre à un chatbot, mais un partenaire de réflexion configuré pour questionner plutôt que livrer une solution. Son intérêt pour les lettres est d’éclairer le rôle de la préparation intellectuelle avant le dialogue avec un modèle.

Protocole. 60 futurs enseignants chinois sont répartis aléatoirement en quatre groupes de 15, selon deux facteurs : préparation métacognitive ou formation placebo ; IA socratique fondée sur DeepSeek V3 ou outils numériques ordinaires. Les participants produisent des écrits réflexifs évalués avant et après par deux correcteurs. Une seconde analyse porte sur 487 messages échangés par les 30 utilisateurs de l’IA.

Résultats. Après préparation métacognitive, le groupe avec IA obtient un avantage ajusté de 0,56 point sur le groupe aux outils classiques (p < 0,001). Sans cette préparation, la différence entre outils n’est pas significative. Parmi les utilisateurs de l’IA, la part moyenne des demandes de niveau supérieur (objections, hypothèses, vérification des preuves, alternatives) est de 44 % avec préparation, contre 12 % sans préparation. La grille de correction porte sur l’analyse des faits, l’attribution des causes, la mobilisation de théories, les pistes d’amélioration et la structure du texte.

Point de vigilance sur la publication. L’article présente une incohérence rédactionnelle : une phrase de sa section sur les dialogues affirme que l’interaction principale n’était pas significative « dans la réanalyse », tandis que les tableaux, les vérifications de robustesse, la discussion et la conclusion rapportent tous une interaction significative (p = 0,002). Ce passage doit être clarifié par les auteurs. L’échantillon est petit et le dispositif combine plusieurs ingrédients : génération, dialogue adaptatif et étayage socratique. L’étude ne démontre donc pas un effet propre à n’importe quel chatbot.

Focus disciplinaire : une expérimentation française réellement décrite, sur « le dîner de dupes »

L’académie de La Réunion documente, dans un TraAM de lettres antérieur, deux heures de travail en première générale sur un passage de Manon Lescaut de l’abbé Prévost. Les élèves transposent d’abord en groupes le récit du « dîner de dupes » en dialogue théâtral. Dans un second temps, ils comparent quatre réécritures : trois productions d’élèves et une version de Mistral IA, insérée sans être annoncée comme telle.

L’erreur du modèle est instructive : sa version fait apparaître M. de T* seulement à la troisième scène, alors que sa présence est établie dès le début du récit ; elle transforme aussi les quarante mille livres évoquées par Manon en quatre-vingt mille. Les élèves sont d’abord impressionnés par les longues didascalies et le registre soutenu. Une relecture attentive d’une élève révèle ensuite le contresens sur la distribution des personnages, ce qui provoque un retour collectif au texte source. La comparaison aboutit à une problématisation destinée à préparer l’analyse linéaire.

Ce qui est transférable. La force du dispositif tient à l’ordre des opérations : lire et interpréter → écrire soi-même → confronter → vérifier dans l’œuvre → reformuler la question de lecture. L’IA fournit un contre-exemple littérairement plausible mais inexact, pas une interprétation autorisée. Pour des premières technologiques, une adaptation peut réduire le corpus à une production d’élèves et une production d’IA, en demandant de justifier deux écarts précis au texte.

Limites. Le TraAM est une observation qualitative, sans mesure comparative des acquis. La dissimulation initiale de l’origine IA du texte peut être discutée : une version transparente préserverait la critique des textes tout en évitant une ambiguïté inutile sur les productions.

Sources : Zhang et al., Frontiers in Psychology, 13 octobre 2026 ; Académie de La Réunion, TraAM lettres : écrit d’appropriation et IA, scénario et productions ; fiche Édubase, actualisée le 1er juillet 2026.

3. Former les enseignants à l’IA : un usage libre ne vaut pas un accompagnement structuré

[TERRAIN] [RECHERCHE] — mots-clés : formation-enseignants, littératie-IA, conception-pédagogique, évaluation — niveau : étude quasi expérimentale évaluée par les pairs, 13 octobre 2026.

Xinying Wang, Changjuan Chen et Shuping Li publient une comparaison à trois conditions menée dans une école de formation des enseignants en Chine. 102 futurs professeurs des écoles, âgés de 19 à 22 ans, sont répartis par classes constituées : 31 en enseignement traditionnel, 33 avec IA en autonomie, 38 avec IA et accompagnement du formateur.

Dispositif. Sur huit semaines (prétest, six semaines d’activités, post-test), les trois groupes suivent les mêmes contenus avec le même enseignant : préparation de cours, questionnement, présentation, microenseignement et analyse réflexive. Seul le groupe accompagné bénéficie de critères explicites, d’exemples de requêtes, de feedback, de discussion éthique et d’une vérification systématique des productions.

Résultats ajustés. Au test de littératie IA, les scores finaux sont 12,3 (traditionnel), 13,6 (IA autonome) et 15,9 (IA accompagnée) ; effet global p < 0,001, η² partiel = 0,17. Sur l’auto-efficacité pédagogique déclarée, les scores sont 69,0, 70,7 et 78,3 ; effet global p = 0,017, η² partiel = 0,08. La différence entre IA autonome et enseignement traditionnel n’est pas statistiquement significative.

Intérêt pratique. Une formation de collègues gagnerait à partir d’une tâche réelle : produire deux questions de lecture, justifier leur place dans la progression, examiner une réponse fautive du modèle et corriger le support. Une simple démonstration d’outils ne reproduit pas le dispositif évalué.

Limites. L’assignation se fait par trois classes et non par individus ; il peut subsister des effets propres aux groupes. Le test porte sur la littératie IA, tandis que l’autre indicateur mesure une confiance déclarée. Aucun résultat sur des élèves effectivement enseignés n’est disponible.

Source — 13 octobre 2026 : Wang, Chen & Li, Frontiers in Education.

4. Économie-gestion : un tuteur IA supplémentaire apporte un gain modeste, sans prouver un effet propre de l’IA

[PED-AUT] [RECHERCHE] — mots-clés : économie-gestion, tutorat, différenciation, évaluation, autonomie — niveau : étude quasi expérimentale évaluée par les pairs, 13 octobre 2026.

Dans Discover Computing, Pengfei Li et ses collègues étudient un tuteur conversationnel pour la modélisation financière, utile à rapprocher de certaines activités d’économie-gestion, de mathématiques appliquées et de NSI.

Protocole. 88 étudiants chinois en finance suivent le même cours de 18 heures sur neuf semaines, avec le même enseignant : 45 ont accès en supplément à un tuteur fondé sur Kimi / Moonshot v1-8k, 43 suivent le cours sans ce soutien. Le tuteur aide à expliquer des formules de tableur, déboguer des calculs, comprendre des méthodes de valorisation et produire des exercices ; il doit éviter de fournir des solutions complètes à rendre. 38 des 45 étudiants disposant du tuteur l’utilisent au moins une fois, pour une durée médiane totale de 28 minutes.

Résultats. Après ajustement sur le prétest, le groupe avec tuteur obtient 2,13 points supplémentaires sur 100 (intervalle de confiance à 95 % [0,58 ; 3,68] ; p = 0,008 ; η² partiel = 0,081). La comparaison non paramétrique des gains n’est toutefois pas significative (p = 0,094). Les mesures d’engagement ne montrent pas de différence statistiquement détectable.

Ce que l’étude ajoute. Le système a des consignes disciplinaires et un contrôle enseignant, et les résultats proviennent d’une épreuve de compétence plutôt que d’un simple questionnaire de satisfaction. Les étudiants les plus faibles pourraient bénéficier davantage du soutien, mais l’interaction avec le niveau initial n’est pas statistiquement significative (p = 0,116).

Limites décisives. Il n’y a que deux classes, sans assignation individuelle aléatoire. Le groupe expérimental dispose d’une ressource supplémentaire et peut consacrer plus de temps au travail : l’effet du temps de pratique n’est pas séparé de celui de l’IA. Les usages éventuels d’autres IA dans le groupe témoin n’ont pas été systématiquement mesurés.

Transfert STMG. Une expérimentation raisonnable pourrait comparer un retour guidé sur une formule de tableur à une fiche d’auto-correction de même durée. Le critère final serait un exercice analogue réalisé sans aide, et non la qualité du tableau produit pendant l’assistance.

Source — 13 octobre 2026 : Li et al., Supplemental generative AI tutoring improves financial modeling scores….

5. « Nés avec l’IA » ne signifie pas « formés à l’IA » : quatre systèmes éducatifs comparés

[POL-PUB] [RECHERCHE] — mots-clés : politique-publique, littératie-IA, équité, enfance, formation-enseignants — niveau : analyse comparative de documents officiels, 13 octobre 2026.

Caroline Cohrssen et ses collègues analysent, dans AI, Brain and Child, les programmes et documents d’orientation de l’éducation de la petite enfance en Australie, Chine, Japon et Corée du Sud. Leur question : les référentiels prévoient-ils des apprentissages explicites pour comprendre et utiliser l’IA, et pour développer une relation critique avec ses agents ?

Méthode et résultats. L’étude est une analyse documentaire, sans élèves ni expérimentation. Les référentiels nationaux japonais, sud-coréens et chinois ne comportent pas de progression explicite de littératie IA dans les documents examinés. Un plan stratégique local à Shanghai mentionne l’IA en maternelle sans préciser une progression pédagogique. En Australie, certains principes rejoignent partiellement les compétences étudiées, surtout l’interaction avec des agents ; l’analyse ne relève pas de traitement explicite de la compréhension des relations humain–IA.

Portée pour le collège et le lycée. L’article ne concerne pas les programmes français du secondaire : il éclaire une difficulté d’articulation entre les apprentissages informels acquis à la maison et l’enseignement institutionnel. La présence d’assistants dans la vie quotidienne n’implique ni connaissance de leur fonctionnement, ni compétence de vérification, ni compréhension des enjeux de données.

À distinguer. Ce sont des constats sur les documents examinés, non la preuve qu’aucun enseignant de ces pays n’aborde l’IA. Les auteurs ne mesurent pas le niveau réel des enfants. Il ne s’agit pas non plus d’une réforme ou d’une obligation nouvelle en France.

Application. En seconde, une activité de départ peut distinguer : « j’ai déjà utilisé une IA », « je peux décrire comment elle produit une réponse », « je sais retrouver l’origine d’une affirmation » et « je sais choisir de ne pas l’utiliser ». Ces quatre compétences demandent des preuves différentes.

Source — 13 octobre 2026 : Cohrssen et al., AI literacy for AI natives? A four-country comparison.

6. Prédire les difficultés scolaires : 86 % d’exactitude ne prouvent pas qu’un système aide les élèves

[EDTECH] [RECHERCHE] — mots-clés : évaluation, données-scolaires, explicabilité, biais, différenciation — niveau : prototype algorithmique évalué par les pairs, 13 octobre 2026.

Xiaoxiao Liu et Kewei Wen proposent dans Discover Artificial Intelligence un système d’aide à la décision fondé sur la logique floue : plutôt que d’afficher une note de risque opaque, il associe des variables observables à des règles lisibles, puis à des catégories d’accompagnement.

Le dispositif. L’étude exploite 480 dossiers du jeu de données public xAPI-Edu-Data, dont 336 pour l’entraînement et 144 pour le test. Les entrées comprennent notamment présence, devoirs, ressources consultées, participation et temps d’étude. Le moteur applique 27 règles, puis classe les élèves en risque faible, moyen ou élevé et associe des propositions d’intervention.

Résultats. Sur le test, l’exactitude est de 0,86, le F1 macro de 0,84 et le rappel des élèves classés à haut risque de 0,89. Une forêt aléatoire obtient même une exactitude légèrement supérieure. L’intérêt revendiqué par les auteurs est donc surtout la lisibilité des règles, pas une supériorité prédictive démontrée.

La réserve méthodologique centrale. Le corpus est statique : il ne contient pas de véritables suivis hebdomadaires. Les simulations avec 25 %, 50 % ou 75 % d’informations ne sont donc pas des démonstrations d’alerte précoce en temps réel. Surtout, aucune étude ne vérifie qu’une intervention déclenchée par le système améliore effectivement les résultats ou évite un décrochage.

Conséquence pour un établissement. Les variables d’assiduité ou de participation ne disent pas pourquoi un élève rencontre une difficulté. Un score de risque ne saurait décider d’une orientation ou remplacer un entretien, l’analyse de productions et le jugement de l’équipe. Les questions de minimisation des données, de biais et de droit à la contestation restent entières.

Source — 13 octobre 2026 : Liu & Wen, A fuzzy decision support system for monitoring student academic performance….

7. Un nouveau modèle local francophone : LFM2.5-24B-A2B tient en 14,5 Go quantifiés, mais sa licence n’est pas Apache

[OSS] [OPEN-SOURCE ; COMMERCIAL] — mots-clés : open-weight, local, confidentialité, français, tutorat — niveau : publication technique du 13 octobre 2026 ; efficacité pédagogique non évaluée.

Le 13 octobre, Liquid AI publie LFM2.5-24B-A2B, modèle textuel à poids accessibles comportant 24 milliards de paramètres au total, dont environ 2,45 milliards actifs à chaque étape de génération. Il est conçu pour le raisonnement et l’appel d’outils, avec une fenêtre de contexte annoncée à 131 072 tokens. Le français figure explicitement parmi les 16 langues prises en charge pour le texte ; aucune fonction vocale française n’est annoncée pour ce modèle textuel.

Matériel et installation. Le dépôt officiel propose un format GGUF utilisable avec llama.cpp, Ollama ou des interfaces compatibles. Le fichier Q4_K_M pèse 14,5 Go et le Q5_K_M 17 Go ; le modèle BF16 pèse environ 48 Go. Une RTX 3090 de 24 Go peut donc théoriquement accueillir les poids quantifiés, mais la mémoire nécessaire au cache de contexte, au serveur et à d’autres processus réduit la marge. Les 131 072 tokens ne constituent pas une garantie de contexte praticable à cette longueur sur une seule 3090. Aucun benchmark de cette carte ni évaluation de la qualité du français scolaire n’est fourni.

Licence et coût. Les poids sont disponibles sous LFM Open License v1.0, et non sous MIT ou Apache-2.0. La licence permet de nombreux usages gratuits, mais conditionne l’usage commercial des entreprises dépassant 10 millions de dollars de chiffre d’affaires annuel à un accord distinct. Le téléchargement et l’inférence locale ne requièrent pas d’abonnement au modèle ; électricité, matériel et administration restent à la charge de l’utilisateur.

Ce que disent les tests. Liquid AI annonce de bons résultats sur certains bancs d’essai d’agents et d’appels d’outils, tout en reconnaissant des performances inférieures à d’autres modèles sur plusieurs tâches de connaissance ou de programmation. Ces benchmarks publiés par l’éditeur ne mesurent ni l’exactitude de citations littéraires ni les progrès d’élèves. La fiche recommande d’ailleurs de relier le modèle à des sources vérifiables pour les tâches exigeantes en connaissances.

Intérêt scolaire. Un essai local pertinent consiste à fournir un extrait du domaine public et à tester dix demandes : citation exacte, identification d’une erreur volontaire, reformulation d’une question de grammaire, proposition d’une objection, refus d’inventer une référence. Il faut mesurer la qualité des réponses en français et la possibilité de conserver toutes les données en local. La présence de poids locaux ne dispense pas de sécuriser une éventuelle interface multi-utilisateurs.

Sources — 13 octobre 2026 : annonce technique de Liquid AI sur Hugging Face ; fiche du modèle et langues annoncées ; GGUF officiel et tailles des quantifications ; texte officiel de la licence LFM.

À retenir aujourd’hui

• La méthode de mesure change la conclusion. La revue du 13 octobre identifie des divergences entre déclarations et observations dans 21 des 51 comparaisons approfondies, sans en faire un taux général de la littérature.

• La préparation intellectuelle précède le bon dialogue avec l’IA. Une étude expérimentale suggère que le questionnement socratique devient plus fécond après une formation à l’auto-questionnement ; un TraAM sur Manon Lescaut illustre concrètement l’intérêt du retour au texte.

• L’encadrement enseignant fait la différence dans la formation. L’usage autonome d’une IA n’a pas surpassé significativement l’enseignement traditionnel dans une comparaison de futurs enseignants.

• Un gain de score ne prouve pas l’effet propre d’un outil. Le tutorat en finance est associé à un avantage ajusté de 2,13/100, sans contrôle séparé du temps supplémentaire consacré au travail.

• Le local progresse, mais « poids ouverts » n’est pas « licence libre sans conditions ». LFM2.5-24B-A2B prend en charge le français écrit et propose un GGUF de 14,5 Go, avec une licence spécifique.

À tester en classe

1. « Le modèle a-t-il vraiment lu ? » — lettres, première (25 minutes)

Sur un extrait déjà étudié, distribuer une transposition théâtrale de six à huit répliques préparée par l’enseignant avec deux erreurs volontaires : déplacement d’un personnage, altération d’un chiffre ou attribution erronée d’une parole. Par groupes, les élèves (1) repèrent les divergences, (2) citent des expressions brèves et exactes de l’original, (3) expliquent ce que chaque erreur change dans l’interprétation, puis (4) corrigent une réplique. Une mini-question individuelle sur un autre passage permet de vérifier le transfert. Aucun compte élève n’est nécessaire.

2. Trois preuves d’un même apprentissage — toutes disciplines (20 minutes + retour différé)

Après une activité avec ou sans IA, recueillir trois éléments distincts : la confiance déclarée (0 à 5), une tâche observable corrigée avec une grille et une tâche analogue sans aide la semaine suivante. En français, évaluer la relation entre thèse et citation ; en mathématiques, la justification d’une étape ; en SVT, la vérification d’une inférence à partir d’un document. Ne pas additionner ces indicateurs en une note unique : les comparer pour comprendre ce qui a réellement été acquis.

À surveiller

Recherche. Correction éventuelle de l’incohérence interne de l’étude sur le questionnement socratique ; réplications avec groupes plus importants et mesure différée ; études distinguant temps de pratique supplémentaire et effet propre du tuteur.

France et langues. Le 19 octobre 2026, l’ENS Paris-Saclay annonce une conférence de Glenn Stockwell, Transformative for Who? What Generative AI Demands of Learners and Teachers, consacrée aux exigences que l’IA fait peser sur l’enseignement et l’apprentissage des langues : annonce officielle.

Outils et données. Évaluations indépendantes du français de LFM2.5-24B-A2B, performances réelles sur RTX 3090, comportement en citation sourcée, vérification des conditions de licence ; validation externe des systèmes de prédiction scolaire avant tout usage décisionnel.

Archive : 2026-10-14_Veille-IA-Education.md Identifiant : VIE-2026-10-14