← Toutes les newsletters

Collège et lycée — priorité aux lettres ; ouverture aux langues, sciences, NSI, EPS, histoire-géographie, EMC et documentation.

À la une. Deux synthèses scientifiques publiées le 15 octobre renouvellent le débat : une méta-analyse de 17 études trouve un effet moyen positif de l’IA générative sur l’autorégulation des apprentissages, mais avec une hétérogénéité extrême ; une revue de 394 recherches montre que l’écriture et le tutorat dominent les usages étudiés, tandis que l’équité et l’observation directe restent minoritaires. Dans le même temps, une étude de 555 étudiants distingue les différentes dimensions de l’engagement ; en France, Dominique Bucheton relance le débat sur les gestes d’écriture à l’ère de l’IA. Deux outils pédagogiques, l’un commercial et l’autre libre, invitent à examiner ce que signifie concrètement « faire dialoguer » un élève avec un modèle.

1. Dominique Bucheton : l’IA oblige à repenser les écrits intermédiaires, pas seulement à surveiller les copies

[PED-FR] [BLOG-SPÉCIALISÉ] — mots-clés : écriture, lecture-littéraire, argumentation, créativité, évaluation — niveau : collège et lycée ; tribune critique du 15 octobre 2026.

Dans Le Café pédagogique, la didacticienne Dominique Bucheton publie le 15 octobre sa lecture de L’École face à l’IA : faire le choix de l’intelligence pédagogique, ouvrage de Jean-Michel Le Baut (ESF, 2026). Son propos n’est pas de célébrer l’automatisation de l’enseignement : elle appelle à maintenir la maîtrise humaine des tâches, à examiner les erreurs et le pouvoir de standardisation des modèles, et à tirer parti des situations qui rendent les élèves réellement auteurs de leurs textes.

Elle insiste sur des principes didactiques qui préexistent à l’IA : écrits intermédiaires, oral, lecture, travail collaboratif, réécriture et publication à un destinataire réel. L’intérêt d’un modèle n’est pas de fournir une rédaction exemplaire à recopier, mais de devenir un matériau de confrontation. Dans cette perspective, une réécriture assistée n’a de sens que si l’élève peut expliquer ce qui a changé, pourquoi il accepte ou refuse une suggestion et quel effet il recherche chez son lecteur.

La chronique signale que le livre présente des expérimentations en français, mais aussi en SVT, documentation et histoire-géographie. Elle ne fournit pas elle-même de protocole détaillé ni de mesure des acquis : c’est une prise de position professionnelle et une recension, non une étude expérimentale. L’enthousiasme de l’auteure ne saurait donc être converti en preuve d’efficacité.

Focus lettres : le « texte qui résiste » (proposition de séance, 50 minutes)

Sur un passage littéraire étudié, demander d’abord une hypothèse personnelle en cinq lignes avec deux indices textuels (10 min). Fournir ensuite deux propositions d’interprétation contradictoires préparées par l’enseignant, dont l’une contient une erreur de référence ou de logique (10 min). En groupes, les élèves vérifient chaque affirmation dans l’œuvre et discutent ce qu’elle laisse de côté (15 min). Ils réécrivent enfin leur hypothèse et annotent deux modifications en les justifiant (15 min). Les versions successives deviennent des traces de raisonnement, pas des brouillons à effacer.

Intérêt et réserve. L’activité rend observable l’appropriation d’une lecture, mais elle n’établit pas en elle-même un gain de compétence : une courte tâche individuelle ultérieure, sans assistance, est nécessaire pour examiner le transfert. Le scénario est une adaptation proposée ici, pas une séance dont Bucheton rapporterait les résultats.

Sources — BLOG-SPÉCIALISÉ, 15 octobre 2026 : Dominique Bucheton, « J’ai lu L’École face à l’IA », Le Café pédagogique ; cadre ministériel d’usage de l’IA en éducation, référence officielle.

2. Autorégulation des apprentissages : effet moyen positif dans 17 études, mais prédiction incertaine d’une classe à l’autre

[COG-PSY] [RECHERCHE] — mots-clés : métacognition, autonomie, motivation, évaluation, cognition — niveau : méta-analyse évaluée par les pairs, publiée le 15 octobre 2026.

Yiming Jin, Kamisah Osman et Nurazidawati Mohamad Arsad publient dans Information une méta-analyse consacrée à l’apprentissage autorégulé (self-regulated learning, SRL). Il ne s’agit pas de la seule réussite à un exercice : l’objet est la capacité de l’apprenant à fixer un objectif, planifier, surveiller sa compréhension, réguler son effort et évaluer son propre travail.

Méthode. Les auteurs ont interrogé Scopus et Web of Science pour les publications de janvier 2023 à juin 2026. Sur 649 références initiales, 17 études quantitatives comparatives ont été retenues. Une méta-analyse à effets aléatoires estime un effet moyen de g de Hedges = 0,74, avec un intervalle de confiance à 95 % de [0,31 ; 1,17] (p = 0,002). C’est un effet moyen statistiquement positif, mais l’hétérogénéité est considérable : I² = 94,85 %. L’intervalle de prédiction pour une nouvelle étude s’étend de −1,03 à 2,51 : il inclut donc des contextes où l’effet pourrait être nul ou négatif.

Une analyse complémentaire de 14 études et 34 tailles d’effet trouve des effets moyens positifs pour les régulations cognitive (g = 0,769), métacognitive (0,664), motivationnelle (0,756) et comportementale (0,564). Les différences entre ces quatre dimensions ne sont pas statistiquement significatives (p = 0,564). La régulation motivationnelle repose seulement sur trois études : elle est particulièrement fragile.

Les essais randomisés présentent des effets moyens plus élevés (g = 1,36) que les études quasi expérimentales (g = 0,38), mais les sous-groupes restent hétérogènes. Les durées d’intervention modèrent également les résultats. Ces analyses ne permettent pas d’affirmer que tel chatbot ou telle discipline serait intrinsèquement meilleur.

Ce que cela change. L’hypothèse pédagogique la plus utile est celle de l’IA comme étayage temporaire : faire expliciter un plan, poser une question de contrôle, proposer une stratégie de reprise, puis retirer l’aide. Un assistant qui accomplit lui-même la tâche ne développe pas nécessairement l’autorégulation.

Limites. Dix-sept études restent un corpus restreint pour tant de dispositifs, de populations et de mesures. Les estimations regroupent des indicateurs et des contextes variés ; la méta-analyse ne fournit pas un pronostic fiable pour les adolescents français. L’effet positif moyen ne doit pas être annoncé comme un bénéfice systématique.

Focus lettres / mathématiques. Après un commentaire ou un problème, demander à l’élève : « Quel était mon objectif ? À quel moment ai-je changé de stratégie ? Comment ai-je vérifié ma réponse ? » Une IA peut servir à formuler ces questions, mais l’évaluation porte sur la réponse de l’élève et sur sa capacité à réutiliser seul la méthode.

Source — RECHERCHE, article évalué par les pairs, 15 octobre 2026 : Jin, Osman & Arsad, The Effects of Generative Artificial Intelligence on Self-Regulated Learning: A Meta-Analysis, Information, 17(10), 1028.

3. Un tuteur socratique intégré au cours : 555 étudiants davantage engagés, mais l’apprentissage n’est pas directement mesuré

[PED-AUT] [RECHERCHE] — mots-clés : tutorat, feedback, motivation, autonomie, sciences — niveau : supérieur ; étude quasi expérimentale publiée le 15 octobre 2026.

Yongsheng Chen, Jing Dong et Guojuan Ji étudient EduBot, un agent conversationnel intégré à l’environnement numérique de cours et configuré pour soutenir un dialogue socratique plutôt que répondre simplement à la place de l’étudiant.

Dispositif précis. Quatre universités chinoises contribuent chacune un cours d’introduction en deux sections parallèles, en psychologie, informatique, gestion et biologie. Sur un semestre de 15 semaines, 278 étudiants utilisent EduBot pendant 12 semaines ; 277 autres disposent de forums animés par des assistants pédagogiques. L’engagement est mesuré à trois moments au moyen d’une échelle de 21 items ; les auteurs examinent aussi les journaux d’utilisation, 30 entretiens étudiants et des échanges avec les enseignants.

Résultats. Les interactions groupe × temps sont statistiquement significatives dans les quatre dimensions de l’engagement : comportementale (d final = 0,71), cognitive (0,55), agentique — c’est-à-dire la propension à poser des questions et orienter l’apprentissage — (0,57) et émotionnelle (0,34). Les effets correspondants sont calculés sur des échelles d’engagement, non sur un examen de connaissances. Les analyses exploratoires suggèrent un bénéfice agentique plus marqué en première année et cognitif chez les étudiants aux résultats antérieurs plus faibles.

Les entretiens font émerger trois explications plausibles : pouvoir poser une question sans crainte du jugement, persévérer grâce à un guidage progressif et obtenir de l’aide à des horaires flexibles. Ces mécanismes restent des hypothèses issues de discours, non des médiations causalement établies.

Réserves. Les groupes sont des sections existantes, non des individus répartis aléatoirement. Le dispositif compare un ensemble intégré (agent, disponibilité, questions, interface) à un forum classique ; il ne permet pas d’isoler l’effet du modèle. Une partie des élèves utilise très peu l’outil ; 18 étudiants du groupe expérimental n’ont ouvert aucune session. Surtout, le gain d’engagement ne prouve pas un gain durable de savoir disciplinaire.

Focus sciences / langues / français

Un assistant socratique peut répondre à « Pourquoi mon raisonnement est-il faux ? » par « Quelle donnée permettrait de départager tes deux hypothèses ? ». En SVT, il demande la variable témoin ; en mathématiques, une vérification du calcul ; en langue vivante, une reformulation argumentée ; en français, le retour à un mot ou à une construction du texte. Pour un usage scolaire, les échanges ne devraient pas comporter de données personnelles d’élèves sur une plateforme externe non validée.

Source — RECHERCHE, article évalué par les pairs, 15 octobre 2026 : Chen, Dong & Ji, Artificial intelligence and its influence on student engagement in higher education, Frontiers in Psychology.

4. EPS : 961 enseignants suivis en quatre vagues montrent que la pression numérique compte autant que l’outil

[TERRAIN] [RECHERCHE] — mots-clés : EPS, formation-enseignants, technostress, autonomie, numérique-responsable — niveau : étude observationnelle, 15 octobre 2026.

Xiangyu Wang et Xiaoyun Wang publient une étude consacrée aux conditions de travail de 961 enseignants d’EPS dans 120 établissements chinois. Les mesures sont recueillies à quatre périodes de 2026 : situation de départ en janvier ; environnement institutionnel et sentiment d’efficacité numérique en février-mars ; évaluation de l’IA et pression numérique ressentie en avril ; pratiques d’enseignement avec IA déclarées en mai-juin.

L’originalité tient au croisement d’informations institutionnelles et de questionnaires d’enseignants. Les auteurs ne se contentent pas de demander si les professeurs « aiment l’IA » : ils cherchent à comprendre si l’organisation du travail, la charge ressentie et la confiance dans ses compétences numériques sont associées à son emploi.

Résultats. Sur cinq tests principaux, deux seulement satisfont le seuil corrigé pour comparaisons multiples. Le produit des coefficients passant par le stress numérique est négatif (−0,099 ; IC ponctuel 95 % [−0,184 ; −0,033]). L’association positive entre numérisation institutionnelle et stress est moins forte chez les enseignants ayant une meilleure auto-efficacité numérique relative à leurs collègues (coefficient d’interaction −0,101 ; [−0,168 ; −0,037]), mais elle reste positive aux niveaux examinés. Les autres relations attendues ne franchissent pas le seuil corrigé.

Limites importantes. Les pratiques avec IA sont déclarées, non observées en cours. Le protocole est longitudinal mais observationnel : la succession temporelle ne prouve pas une causalité. Le fichier initial comptait 1 474 dossiers ; 513 n’ont pas été retenus, dont 202 pour des motifs historiques de qualité ou d’éligibilité insuffisamment reconstituables. Cette attrition limite la généralisation.

Ce que cela change pour une équipe. Avant d’ajouter un service d’IA, il faut considérer les coûts cachés : formation, surveillance des sorties, interruptions, authentification, charge de préparation, gestion des données. En EPS, un outil de planification ne vaut que s’il respecte les contraintes du terrain, du matériel et de la sécurité des élèves. En lettres, le même raisonnement s’applique aux corrections automatiques : un gain de temps apparent peut être annulé par la vérification et la reprise pédagogique.

Source — RECHERCHE, article évalué par les pairs, 15 octobre 2026 : Wang & Wang, Institutional digitalization and digital stress: a four-wave observational study of teacher-reported AI-collaborative teaching in physical education, Frontiers in Psychology.

5. Les usages étudiants avancent plus vite que le cadre perçu : une enquête trilingue, sans comparaison nationale fiable

[POL-PUB] [RECHERCHE ; OFFICIEL] — mots-clés : politique-publique, littératie-IA, RGPD, équité, formation-enseignants — niveau : enquête exploratoire publiée le 15 octobre 2026 ; comparaison avec le cadre français en vigueur.

Deddy Gusman et ses collègues publient dans Discover Education une enquête transversale sur 186 répondants, principalement résidents d’Indonésie et de Hongrie. Le questionnaire existe en indonésien, anglais et hongrois ; les participants choisissent leur langue de réponse, qui ne correspond pas nécessairement à leur pays de résidence.

Constats. 78,0 % déclarent utiliser une IA plusieurs fois par semaine ou quotidiennement (IC 95 % [71,5 ; 83,3]) ; 96,8 % disent avoir utilisé ChatGPT ; 79,6 % rapportent une amélioration perçue de leurs apprentissages. Les demandes de soutien institutionnel les plus fréquentes concernent un accès financé et des règles plus explicites. Les contrastes entre groupes sont plus nets pour l’encouragement attribué aux enseignants que pour les progrès perçus.

Attention aux comparaisons. Les auteurs reconnaissent que langue, pays, recrutement et moment de réponse se recouvrent. L’équivalence psychométrique des versions du questionnaire n’est pas établie. Certaines catégories de l’item sur les politiques mélangent permissivité et absence de politique. Il serait donc abusif d’en conclure qu’un pays possède une meilleure politique qu’un autre, ou qu’il existe un retard institutionnel objectivement mesuré.

Mise en perspective française. Le cadre d’usage ministériel de l’IA en éducation, publié en 2025, reste le repère officiel pour les pratiques en établissement. Il ne s’agit pas d’un texte nouveau du 15 octobre. Il articule progressivité des usages selon l’âge, finalité pédagogique, contrôle humain, esprit critique et protection des données. La question opérationnelle est moins « les élèves utilisent-ils déjà l’IA ? » que « connaissent-ils les limites autorisées, les critères d’évaluation et les données qu’ils ne doivent pas transmettre ? ».

Application EMC / EMI / lettres. Faire examiner trois consignes d’évaluation : IA interdite ; IA autorisée pour proposer des objections ; IA autorisée pour corriger l’orthographe seulement. Les élèves rédigent, pour chacune, une déclaration transparente de l’aide reçue et discutent ce qui demeure leur travail intellectuel. Cette activité ne nécessite pas l’ouverture d’un compte IA.

Sources — RECHERCHE, 15 octobre 2026 ; OFFICIEL, texte antérieur en vigueur : Gusman et al., Student use of generative AI and perceived institutional support across three linguistic contexts, Discover Education ; ministère, cadre d’usage de l’IA en éducation.

6. Parlova : des élèves qui interrogent Voltaire plutôt qu’un chatbot qui récite le cours — promesse à éprouver

[EDTECH] [COMMERCIAL ; BLOG-SPÉCIALISÉ] — mots-clés : histoire-géographie, lecture-littéraire, argumentation, RGPD, tutorat — niveau : collège et lycée ; produit en expérimentation, article du 12 octobre et documentation actualisée en octobre 2026.

Le média spécialisé Ludomag présente le 12 octobre Parlova, service français développé depuis début 2026. Son principe pédagogique est distinct du chatbot-réponse : l’élève mène une enquête dialoguée, interroge des personnages qui ne possèdent pas les mêmes informations et doit construire une réponse finale à partir de leurs déclarations.

Scénario précis présenté. Dans une mission sur les Lumières, l’élève peut questionner Voltaire sur la tolérance, le pouvoir ou la religion, puis confronter ses propos à ceux d’un personnage défendant une position opposée. Une mission de géographie peut faire dialoguer des acteurs aux intérêts contradictoires sur un littoral menacé. Les personnages disposent de connaissances et de limites temporelles configurées : un acteur historique ne devrait pas connaître la suite des événements. Le professeur peut fournir ses propres documents, choisir un mode de réponse limité au corpus, fixer des objectifs et consulter les échanges. L’élève accède à une mission par lien et code, sans compte personnel.

Le point pédagogique décisif n’est pas le réalisme du personnage, mais la qualité de l’enquête documentaire. L’élève peut-il distinguer une information attestée, un point de vue situé et une invention plausible du modèle ? Peut-il citer le document qui justifie sa synthèse ? Un dialogue convaincant n’est pas une source historique.

Prix et maturité. L’éditeur annonce un accès gratuit et la création de missions sans carte bancaire, sans garantie contractuelle ici sur la permanence de cette gratuité. Ludomag décrit des expérimentations initiales, sans fournir de protocole comparatif, d’effectif contrôlé ni de mesure indépendante de progrès. Les témoignages promotionnels figurant sur le site ne sont pas des résultats scientifiques.

Données et RGPD : à lire avant tout usage. La documentation de l’éditeur, actualisée en octobre 2026, annonce une base chez Supabase en Irlande, un hébergement Vercel à Paris, et des dialogues générés par une API OpenAI aux États-Unis. Le contexte de mission et les messages sont transmis au modèle, mais pas le prénom ni l’adresse électronique selon l’éditeur. Les sessions sont conservées 12 mois sur la plateforme ; la conservation chez le fournisseur d’IA peut aller jusqu’à 30 jours pour la prévention des abus. L’éditeur mentionne également Resend, prestataire américain d’emails, et des mécanismes de transfert international. Ces déclarations ne valent pas audit indépendant ni autorisation automatique en établissement : le responsable du traitement et le DPO doivent vérifier le contrat, les sous-traitants, la base légale et les garanties avant une utilisation avec élèves.

Focus lettres — un personnage n’est pas l’auteur

Sur un extrait de Candide du domaine public, faire préparer trois questions que l’on adresserait au personnage ou à un interlocuteur fictif. Le professeur peut simuler les réponses, puis faire confronter chaque assertion au passage exact. Une séance avec le produit, si elle est institutionnellement autorisée, devrait conserver cette vérification documentaire et se conclure par un paragraphe argumenté rédigé sans aide.

Sources — BLOG-SPÉCIALISÉ, 12 octobre ; COMMERCIAL, octobre 2026 : Ludomag, présentation du scénario et du fonctionnement ; Parlova, espace enseignant et fonctions ; Parlova, documentation RGPD et sous-traitants ; Parlova, accès public et gratuité annoncée.

7. DeepTutor 1.6.14 : un tuteur libre très actif, francisé, mais complexe et pas automatiquement « 100 % local »

[OSS] [OPEN-SOURCE] — mots-clés : open-source, tutorat, RAG, local, confidentialité — niveau : prototype technique avancé ; version du 8 octobre 2026, activité vérifiée le 16 octobre.

Le projet DeepTutor, porté par HKUDS, associe espace de connaissances documentaires, dialogue guidé, quiz, lecture de documents et suivi de progression. Sa version 1.6.14 du 8 octobre apporte notamment des exercices visuels ancrés dans les sources, une indexation récupérable après erreur, un journal d’apprentissage, des outils de recherche et des améliorations de configuration des fournisseurs. La version 1.6.11 du 24 septembre avait introduit une interface en français. Il s’agit d’une interface localisée, pas d’une validation de la qualité didactique des réponses françaises ou de la synthèse vocale française.

Licence et activité. Le dépôt est sous Apache-2.0 et montre une activité soutenue, avec des versions rapprochées et des contributions nombreuses. Le logiciel est libre et téléchargeable gratuitement ; les API de modèles et certains traitements peuvent être payants. L’auto-hébergement est documenté.

Installation. Le paquet Web demande Python 3.11 à 3.14 et Node.js 20+ ; une installation depuis les sources vise Node.js 22 LTS. Un conteneur Docker peut héberger l’interface. Les connecteurs documentés comprennent Ollama, LM Studio, llama.cpp et vLLM. Le serveur d’application peut fonctionner sans GPU, mais un modèle de langage local exige une mémoire et une puissance dépendant de sa taille ; aucune mesure de fluidité de l’ensemble sur une RTX 3090 n’est publiée.

Confidentialité. Le stockage local des documents ne suffit pas : si le modèle de génération, les embeddings, la transcription, la recherche ou l’analyse de documents utilisent des fournisseurs distants, des données peuvent quitter la machine. Les réglages d’authentification, l’isolation des espaces utilisateurs et l’exposition réseau doivent être vérifiés. La documentation décrit une configuration de développement où l’authentification peut être désactivée : ne pas exposer ce mode sur Internet. Le traitement de copies nominatives d’élèves n’est pas approprié pour un premier essai.

Cas d’usage à évaluer en lettres. Charger localement un corpus de deux textes du domaine public et une notice critique autorisée. Tester dix questions : retrouver une expression exacte, proposer deux pistes d’interprétation, signaler une citation inventée, justifier une figure de style, refuser de répondre quand le corpus ne suffit pas. Consigner pour chaque réponse exactitude, citation retrouvable, temps de calcul et intervention nécessaire du professeur. Ce protocole est proposé pour l’évaluation de l’outil : il ne correspond pas à une expérimentation scolaire publiée par ses développeurs.

Sources — OPEN-SOURCE : dépôt officiel DeepTutor, licence et installation ; versions publiées, dont v1.6.14 du 8 octobre ; documentation de l’architecture et des fournisseurs.

8. Une cartographie de 394 études révèle les angles morts de la recherche sur l’IA éducative

[PED-AUT] [RECHERCHE] — mots-clés : évaluation, équité, écriture, tutorat, formation-enseignants — niveau : revue de portée évaluée par les pairs, 15 octobre 2026.

Michael Pin-Chuan Lin et ses collègues publient dans International Journal of Educational Technology in Higher Education une scoping review de 394 études empiriques sur l’IA générative effectivement utilisée dans des activités d’enseignement supérieur, de novembre 2022 à décembre 2025. Leur recherche dans EBSCOhost et Web of Science a initialement trouvé 2 778 références, réduites à 2 264 après dédoublonnage ; 523 textes ont été examinés intégralement.

Le périmètre est important : les auteurs excluent les simples enquêtes d’opinion sans usage pédagogique effectif, les évaluations de réponses produites par un modèle sans activité réelle d’enseignement, ainsi que les éditoriaux et autres revues. Ils cartographient donc des pratiques documentées, non toute la littérature sur l’IA.

Ce qui domine. Les usages les plus étudiés sont le feedback/tutorat et l’aide à l’écriture. Sur les 394 recherches, 352 portent principalement sur des étudiants, 15 sur des enseignants et 26 sur les deux groupes (une étude mobilise plusieurs catégories de parties prenantes). Les méthodes d’évaluation sont surtout les questionnaires (269 études, 68,3 %), les tests ou grilles (185, 47,0 %), l’analyse de productions (167, 42,4 %) et les entretiens (143, 36,3 %). L’observation directe ne concerne que 30 études (7,6 %). Plusieurs méthodes peuvent coexister dans une même recherche : les pourcentages ne s’additionnent pas.

Angle mort. L’autorégulation, l’éthique, la créativité, la qualité du feedback et surtout l’équité / l’inclusion sont moins fréquemment ciblées. Parmi les études rapportant des perceptions étudiantes, les jugements sont majoritairement mixtes plutôt qu’unanimement favorables. La revue souligne également le manque de description précise des règles locales de gouvernance.

Ce que cela permet de comprendre. La visibilité d’une fonction dans les publications ne prouve ni son importance éducative ni son efficacité : l’aide à l’écriture est facile à tester à court terme ; mesurer une interprétation littéraire autonome six semaines plus tard est plus exigeant. Les résultats sont en outre issus du supérieur et d’articles anglophones : on ne peut pas les appliquer tels quels au collège ou au lycée français.

Focus disciplinaire et méthode. Pour un projet d’IA en français, en SVT ou en mathématiques, documenter au minimum : la tâche sans IA, le rôle exact de l’outil, les productions intermédiaires, une évaluation avec critères disciplinaires, une tâche différée sans IA et les difficultés d’accès ou de langue. Ce serait un progrès méthodologique plus significatif qu’un simple questionnaire de satisfaction.

Source — RECHERCHE, revue évaluée par les pairs, 15 octobre 2026 : Lin et al., Mapping generative AI in higher education teaching and learning: a scoping review, International Journal of Educational Technology in Higher Education, 23, article 55.

À retenir aujourd’hui

• L’IA peut aider à apprendre à apprendre, mais pas de manière uniforme. La méta-analyse de 17 études trouve un effet moyen positif sur l’autorégulation, avec une hétérogénéité telle que le résultat d’une nouvelle classe reste très incertain.

• Engagement et savoir acquis ne sont pas interchangeables. Le tuteur EduBot améliore des scores d’engagement déclarés dans une comparaison de 555 étudiants ; il ne démontre pas un progrès durable de connaissances.

• En lettres, l’enjeu demeure la construction d’une voix et d’un jugement. Les écrits intermédiaires, la confrontation de lectures et la justification des révisions donnent un rôle pédagogique précis à l’IA.

• Les conditions de travail et la gouvernance comptent. Le stress numérique des enseignants et le décalage entre usages étudiants et règles perçues empêchent de réduire l’adoption de l’IA à une question d’outils.

• La traçabilité et la confidentialité doivent être testées, pas présumées. Parlova offre un scénario d’enquête prometteur mais utilise une API américaine ; DeepTutor est libre et auto-hébergeable, sans garantir un traitement local dans toutes ses configurations.

À tester en classe

1. Français / EMI — « Je propose, je vérifie, je révise » (50 min). À partir d’un extrait du domaine public, faire écrire sans IA une hypothèse de lecture (10 min), confronter deux interprétations contradictoires préparées par le professeur (10 min), vérifier collectivement quatre affirmations dans le texte (15 min), puis rédiger une version révisée en annotant deux décisions (15 min). Évaluer les indices exacts et les justifications ; proposer une question analogue sans assistance la semaine suivante.

2. Sciences / langues / histoire-géographie — « Trois questions avant la réponse » (25 min). Sur un document, une expérience ou un problème, chaque binôme doit formuler une question factuelle, une question de vérification et une question d’interprétation avant de consulter une réponse préparée par l’enseignant. Conclure par une réponse argumentée fondée sur les documents. Critère : capacité à identifier ce que la source autorise à affirmer, non nombre de messages envoyés au chatbot.

À surveiller

Recherche : réplications de la méta-analyse sur l’autorégulation avec davantage d’études et mesures différées ; essais du tutorat socratique avec tests objectifs et groupes assignés aléatoirement ; recherches sur l’impact des outils sur les écrits intermédiaires et l’originalité des interprétations ; travaux consacrés aux adolescents, encore sous-représentés.

Lettres et francophonie : Forum de l’Association portugaise d’études françaises, « Penser le langage à l’ère de l’intelligence artificielle », 19–20 octobre 2026 ; Assises régionales de l’enseignement du français en Asie-Pacifique, 22–23 octobre 2026. Ces événements sont annoncés, non des résultats déjà publiés.

Outils et protection des données : évolutions des conditions d’accès à Parlova, résultats d’expérimentations indépendantes, audit de ses transferts de données ; tests francophones de DeepTutor 1.6.14 avec modèle et embeddings locaux, contrôle des accès et exactitude des références ; clarification des coûts d’exploitation et des exigences matérielles.

Archive : 2026-10-16_Veille-IA-Education.md — Identifiant : VIE-2026-10-16.