Ressources numériques en sciences humaines et sociales OpenEdition Nos plateformes OpenEdition Books OpenEdition Journals Hypothèses Calenda Bibliothèques OpenEdition Freemium Suivez-nous

Évaluation et accompagnement des processus d’appropriation de l’IA dans un dispositif pédagogique : Présentation du GTnum #ApproprIA

Résumé

Résumé en français

GTnum 2024-2027 : présentation du groupe thématique numérique sur les usages de l’IA en éducation, GTnum #ApproprIA « évaluation et accompagnement des processus d’appropriation de l’IA dans un dispositif pédagogique ».

Résumé en anglais

GTnum 2024-2027: presentation of the digital thematic group on AI uses in education, GTnum #ApproprIA “evaluation and support of AI appropriation processes in pedagogical device”.

Résumé en espagnol

GTnum 2024-2027: presentación del grupo temático digital sobre el uso de la IA en la educación, GTnum #ApproprIA «Evaluación y acompañamiento de los procesos de apropiación de la IA en un dispositivo pedagógico».

Présentation générale

Entité porteuse et composition du groupe

Laboratoire Education Cultures Politiques (ECP) – Université Lyon 2 ;

Co-animation : Laboratoire LIP6 (Laboratoire d’informatique) – Sorbonne Université.

Territoires académiques associés

  • DRANE Auvergne-Rhône-Alpes
  • DRANE Île de France

Plan d’actions et axes de travail

Le groupe thématique numérique #ApproprIA s’appuie sur les travaux de chercheurs et professionnels de l’éducation pour faire un état des lieux cartographique des pratiques scolaires actuelles en France intégrant les usages de l’Intelligence Artificielle. De plus, le GTnum #ApproprIA évalue les P2IA (Projets d’Innovation en Intelligence Artificielle) sur la base d’indicateurs objectivement définis durant la phase de cartographie. In fine, il s’agit de produire un rapport montrant une vision d’ensemble des pratiques d’IA à l’école au niveau national, ainsi qu’un focus sur les projets P2IA.

Axe 1 : Veille et analyse des pratiques liées à l’évaluation et à l’appropriation de l’IA en éducation

Ce premier axe de travail se consacre à la cartographie des projets et initiatives pédagogiques intégrant l’IA aux niveaux primaires et secondaires en France entre 2018 et 2024. Il s’agit d’établir pour tous les outils recensés une carte d’identité théorique qui permet de comprendre les formats d’usages ou de non-usage chez les différents acteurs éducatifs (apprenants, enseignants, système éducatif) et les enjeux liés à l’apprentissage.

Les participants de cet axe s’intéresseront aux questions suivantes :

  • Quels sont les outils d’IA utilisés par les enseignants dans leurs classes ?
  • Quels sont les domaines d’application visés par ces outils et les objectifs visés ?
  • Quels usages font les acteurs éducatifs de ces outils d’IA disponibles ?
  • Quel écart existe-t-il entre les effets attendus et ceux observés dans l’usage (ou le non usage) de ces outils ?

Axe 2 : Evaluation des P2IA (Projets d’Innovation en Intelligence Artificielle)

Ce deuxième axe de travail sera consacré à l’évaluation des onze projets P2IA notamment sous l’angle d’accompagnement des processus et d’appropriation des outils d’IA en pédagogie. Essentiellement, il s’agit d’analyser le changement dans les pratiques en termes de différenciation, de personnalisation et d’accompagnement pédagogiques. Pour ce faire, le GTnum #ApproprIA s’appuiera, dans une démarche scientifique, sur le vécu et les représentations des acteurs ainsi que sur l’analyse des usages des enseignants à travers les traces numériques (analytics). Les travaux s’appuieront sur les résultats de GTnum précédents ayant travaillé sur les processus d’appropriation des outils numériques (comme le GTnum #Inspire).

Les questions traitées sont les suivantes :

  • Quelle compréhension les enseignants ont-ils de l’IA ?
  • Les enseignants ont-ils connaissance des ressources de formation sur l’IA ?
  • Quelles ressources utilisent-ils le cas échéant pour leur propre formation ?
  • S’agit-il d’outils individuels ou collectifs ?
  • Quels sont les effets ainsi que les contraintes liés à l’usage des outils lors du processus d’enseignement et d’apprentissage ? Dans quelles conditions s’observent ces effets et/ou contraintes ?
  • Quels sont les facteurs qui facilitent l’adoption de l’IA par les enseignants et/ou les élèves ?
  • Quelles sont les éventuelles évolutions de l’utilisation de ces technologies en situation de classe ?
  • Quels ajustements de la pratique enseignante l’utilisation de ces technologies ont-ils suscités ?

Les réponses à l’ensemble des questionnements soulevés par les deux axes de travail permettront de construire une note de synthèse prospective et interdisciplinaire. Cette dernière rendra compte des conclusions et principales recommandations des travaux du GTnum, tout en offrant des perspectives pour l’intégration de l’IA dans les pratiques pédagogiques.

Identification sur les réseaux sociaux

#GTnum #ApproprIA @gtnum-appropria.bsky.social

Références bibliographiques

Bouchet, F., & Roy, D. (2021, June). L’apport combiné de deux algorithmes d’IA à l’optimisation des parcours d’apprentissage dans le projet Adaptiv’Math. In 47ème colloque de la COPIRELEM (pp. 855-868). ARPEME.

Coston, P. (2023). Lalilo, Navi: des logiciels pour un apprentissage différencié de la lecture au cycle 2-07/06/23-Mdn. Sciences, 56, 6.

Cusi, A., Aldon, G., Barzel, B., & Olsher, S. (2024). Rethinking teachers’ formative assessment practices within technology- enhanced classrooms. In Handbook of Digital Resources in Mathematics Education (pp. 1-31). Cham: Springer International Publishing.

Flanagan, J. C. (1954). The critical incident technique. Psychological bulletin, 51(4), 327.

Granjon, F. (2022). Inégalités sociales, dispositions et usages du numérique. Education et sociétés, 47(1), 81-97.

Hassenzahl, M. (2018). The thing and I: understanding the relationship between user and product. Funology 2: from usability to enjoyment, 301-313.

Holmes, W., Persson, J., Chounta, I. A., Wasson, B., & Dimitrova, V. (2022). Artificial intelligence and education: A critical view through the lens of human rights, democracy and the rule of law. Council of Europe.

Mahajan, R. P. (2010). Critical incident reporting and learning. British journal of anaesthesia, 105(1), 69-75.

Molenaar, I. (2022). Personnalisation de l’apprentissage: Vers une forme hybride des technologies d’apprentissage combinant l’humain et l’IA. Perspectives de l’OCDE sur l’éducation numérique 2021 Repousser les frontières avec l’IA, la blockchain et les robots: Repousser les frontières avec l’IA, la blockchain et les robots, 63.

Ng, D. T. K., Lee, M., Tan, R. J. Y., Hu, X., Downie, J. S., & Chu, S. K. W. (2023). A review of AI teaching and learning from 2000 to 2020. Education and Information Technologies, 28(7), 8445-8501.

Ouyang, F., & Jiao, P. (2021). Artificial intelligence in education: The three paradigms. Computers and Education: Artificial Intelligence, 2, 100020.

Plantard, P. (2016). Temps numériques et contretemps pédagogiques en Collège Connecté, Distances et médiations des savoirs, 16.

Perret, D., & Plantard, P. (2024). Capital culturel numérique des enseignants et territoires apprenants. Analyses des ressources et des parcours d’appropriation du numérique par les enseignants dans des tiers lieux coopératifs. Recherches en éducation, (55).

Simonian, S., & Audran, J. (2012). Approche anthropo-écologique du non-usage. Le cas des outils communicationnels des plateformes d’apprentissage en ligne. Recherches & éducations, (6), 161-177.

Sperling, K., Stenberg, C. J., McGrath, C., Åkerfeldt, A., Heintz, F., & Stenliden, L. (2024). In search of artificial intelligence (AI) literacy in Teacher Education: A scoping review. Computers and Education Open, 100169.

Vermersch, P. (2006). L’entretien d’explicitation. Paris: ESF.

Victoroff, K. Z., & Hogan, S. (2006). Students’ perceptions of effective learning experiences in dental school: a qualitative study using a critical incident technique. Journal of Dental Education, 70(2), 124-132.

Villani, C., Bonnet, Y., Berthet, C., Levin, F., Schoenauer, M., Cornut, A. C., & Rondepierre, B. (2018). Donner un sens à l’intelligence artificielle : pour une stratégie nationale et européenne. Conseil national du numérique.

Zhang, Y., Yun, Y., An, R., Cui, J., Dai, H., & Shang, X. (2021). Educational data mining techniques for student performance prediction: method review and comparison analysis. Frontiers in psychology, 12, 698490.

A consulter aussi

Allouche, E. (2025, janvier 30). Intelligence artificielle et éducation : Apports de la recherche et enjeux pour les politiques publiques : édition trilingue 2025 [Billet]. Éducation, numérique et recherche. https://doi.org/10.58079/137f6

CREAD-M@rsouin, & DNE-TN2. (2020, avril 6). Les enseignants et le numérique : Productions du GTnum 9 [Billet]. Éducation, numérique et recherche. https://edunumrech.hypotheses.org/1497

DNE-TN2. (2024, janvier 29). Innovation Numérique, Scientifique, Pédagogique et Inclusive grâce à la Recherche avec les Enseignants : Présentation du GTnum #INSPIRE [Billet]. Éducation, numérique et recherche. https://doi.org/10.58079/vovg

DNE-TN2. (2025, mars 3). L’Intelligence Artificielle au service de la prévision du décrochage scolaire : Présentation du GTnum #DescolIA [Billet]. Éducation, numérique et recherche. https://doi.org/10.58079/13eur




OpenEdition vous propose de citer ce billet de la manière suivante :
DNE-TN2 (10 mars 2025). Évaluation et accompagnement des processus d’appropriation de l’IA dans un dispositif pédagogique : Présentation du GTnum #ApproprIA. Éducation, numérique et recherche. Consulté le 26 mars 2025 à l’adresse https://doi.org/10.58079/13fug


Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

This site uses Akismet to reduce spam. Learn how your comment data is processed.