Innovation Pédagogique et transition

Quelles compétences en IA pour l'ingénieur ? – élargir la focale et tisser une réponse robuste

Jean-Marie Gilliot — 2026-10-06T09:50:19Z

« Toujours sur le métier remettez votre ouvrage » Cet adage s'applique particulièrement bien aux référentiels de compétences.

L'IA nous pousse à nous remettre au travail, tant elle a un impact sur la manière d'apprendre, de nous informer, de diffuser l'information, de travailler, de nous organiser, et sur la forme des systèmes que nous pouvons concevoir.

Comment aborder la question ?

S'agit-il de proposer un cadre complémentaire aux référentiels existants pour résoudre le problème, comme le propose la CDEFM dans le domaine du management ? Ce document a plusieurs qualités, il distingue la littératie de l'IA (i.e compréhension et usages des IA de dimensions plus métier, et de mettre en avant ces dimensions clés impactées sous forme de macro-compétences transversales. Il distingue des niveaux différentiés suivant les niveaux visés. S'il met en avant l'évolution liée à l'IA, cela a le défaut d'être un ajout, sans connexion évidente avec ce qui existe déjà.

Faut il au contraire viser à intégrer de manière transversale ces impacts dans les référentiels existants ? Le CDIO, association internationale de formations d'ingénieurs, a fait évoluer son syllabus dans cette optique, en insérant les dimensions clés liées à l'IA au cœur de leur syllabus. INCOSE, association de référence pour l'ingénierie système, procède de la même manière. Toutes deux, différencient d'ailleurs deux dimensions : l'IA comme outil (AI4SE), et l'IA comme composant du système visé (SE4AI). Le travail hybride (en équipe, en collaboration) humain-IA est un autre élément mis en avant par ces deux associations. Problème, est-ce que cela invisibilise la question de l'IA ?

Mais est-ce suffisant de compléter ou d'amender un référentiel de compétences ?

Premier problème : l'impact évolue rapidement

Il semble que lorsqu'on aborde les compétences à développer pour tirer parti de manière pertinente de l'IA, nous avons toujours tendance à être en retard par rapport à l'actualité. La question du prompt engineering a ainsi été un temps au centre des discussions pour devenir aujourd'hui un point annexe, parce que la technologie a très rapidement évolué, et parce que la vraie question est l'explicitation les besoins.

Autre exemple de retard chronique. Si l'on se penche sur la question de la collaboration humain-IA, cette question reste centrale, mais elle évolue également. Dans un premier temps, le travail de l'humain semblait principalement d'être de valider ce que fait la machine, en mettant en avant la question de la fiabilité de ces réponses. L'humain contrôle, la machine propose. Ethan Mollick, chroniqueur bien connu, a publié en 2024 un best-seller Co-Intelligence. Living and Working with AI (traduit en français Co-intelligence – Vivre et travailler avec l'IA), mettant en avant cette idée de collaboration humain-IA.

Mais ce rapport évolue. Le premier point est que l'IA dépasse de plus en plus l'humain. Les meilleurs modèles sont maintenant capables de développer des programmes informatiques (de coder) mieux et plus vite que des développeurs aguerris. Se pose alors la question de comment valider ce que fait la machine. Le nouveau livre d'Ethan Mollick, à sortir, Co-existence – the next phase of AI, reconnaît l'évolution dans cette relation. Un second point s'ajoute. Il est devenu courant que l'IA générative, au travers d'agents, agit de manière autonome, et non plus sous supervision (et donc validation) humaine, et ce de manière moins prévisible que l'informatique jusqu'ici. La collaboration humain-IA continue à être centrale, mais de manière (très) différente.

Si on revient sur la question des compétences, en tant que guide de conception de formation, le décalage devient frappant. Le CESE souligne déjà le problème de la durée de vie de la compétence qui est passée de 20 à 30 en 1980 à 6 à 24 mois aujourd'hui, et nous invite à repenser notre approche des compétences, tant il est vrai que le cycle de vie d'une formation est plus long que 24 mois. Et pour l'IA les changements sont plus proches des 6 mois…

Deuxième problème : ce n'est pas la seule transformation en cours

Il y a 5 ans, un référentiel de compétences pour l'ingénieur responsable nous était proposé au sein de l'IMT. Cela a été un gros travail, de fond, qui abordait des enjeux importants. Le problème a ensuite été d'intégrer cela dans les formations. Faire un enseignement dédié sur le sujet, permet de traiter de nombreux sujets, et de mobiliser les personnes convaincues. Par contre, l'intégration avec les disciplines, avec les métiers existants, le reste de la formation, est rendue plus compliquée.

De plus l'ajout d'un référentiel pour chaque nouveau sujet n'est pas soutenable, le temps n'est pas extensible, chaque discipline défend son pré carré et peut être tentée de s'opposer au nouvel entrant. Déjà en son temps, la pédagogie par projets a été vue par certaines disciplines comme un temps de formation perdue.

Comment échapper à la multiplication de cadres de références qui abordent chacun un facteur de changement, et à un caractère additif de compétences visées, au détriment d'une vision plus intégrée ?

Le CDIO a ainsi acté d'intégrer dans son syllabus, trois facteurs de changement qui affectent les compétences souhaitables de nos ingénieurs : (1) l'impact de nos activités sur les écosystèmes et l'urgence de transformations sociétales pour assurer des conditions de vie soutenables, (2) la numérisation comme technologie clé pour le changement, (3) le changement accéléré et la complexification de notre monde (avec l'acronyme VUCA pour Volatility, Uncertainty, Complexity, Ambiguity).

Dit autrement, nous sommes dans une société en polycrise, c'était le sens de l'intervention de Guillaume Carbou sur l'anthropocène en ouverture de QPES l'année dernière. Ce constat était au cœur de l'introduction du colloque de la CDEFI qui a suivi dans la même ville (Brest). C'est également le constat de départ de Pascal Detroz dans le cadre de ses travaux sur la robustesse et la formation. Ce constat partagé de société en polycrise peut être considéré comme une vision élargie de la définition d'un monde VUCA.

Troisième problème : un système plus complexe pour faire face à des enjeux complexes

Le monde est donc devenu plus complexe, et cette dynamique de changements nécessite plus d'agilité, d'adaptabilité, de créativité, de gestion de l'incertain, d'engagement. Ces exigences, cette complexité nécessite de repenser notre manière d'exprimer les objectifs de formation, pour aider nos étudiant·e·s à habiter un monde instable.

Que ce soit par rapport aux retours d'expérience liées à la transformation écologique et sociétale, à l'agilité dans un monde VUCA, mais également par rapport à l'IA, de nouvelles dimensions doivent être abordées dans les formations. Dans le cadre de l'IA générative, l'esprit critique, l'émotion sont des dimensions à aborder, mais de manière incidente.

Et pourtant, pour apprendre à vivre dans ce monde, les dimensions de compréhension des enjeux, d'esprit critique, de gestion des émotions et d'engagement, sont des dimensions à aborder de manière plus intégrée, de manière systémique dans nos formations.

Camille Larcin et Pascal Detroz proposent un biomètre qui couvre 5 dimensions : connaissances (avec Bloom), continuum logique, continuum expérientiel, continuum émotionnel, continuum réflexif (qui semble de fait être un continuum systémique), continuum agentif. Ce biomètre permet ainsi de couvrir et d'expliciter les différentes dimensions au-delà du cadre de la taxonomie classique de Bloom.

De fait le travail de ces 2 chercheurs est bien de proposer un nouveau paradigme pour l'enseignement supérieur, et pour cela ils se basent sur le cadre de la robustesse proposé par Olivier Hamant, qu'ils présentent comme une voie médiane et alternative. La robustesse est « la capacité d'un système à maintenir sa stabilité malgré les fluctuations qu'il subit ». Le système qui nous intéresse ici est l'enseignement supérieur dans un monde en polycrise. Un site participatif permet d'ailleurs d'échanger autour de leurs travaux.

Quatrième problème : un impact à 360°

Si on revient à l'IA, les débats de ces dernières années montrent bien que les changements ne sont pas que dans les compétences à développer. L'IA, principalement générative, utilisée par l'immense majorité des nos étudiants, change la manière d'apprendre. Elle modifie la manière de travailler des enseignants en les accompagnant dans la construction du cours, dans leurs interactions avec les étudiants (feedback), et en impactant les modalités d'évaluation. Elle impacte également la manière de faire de la recherche, et l'organisation des institutions. Pour que ce ne soient pas les développements de l'IA qui nous propose le cadre de ces évolutions, il est nécessaire de faire un pas de coté et non pas de simplement ajouter un ensemble de compétences à nos formations, ou d'utiliser des outils d'automatisation pour gérer la massification. D'autant que ces ajouts, posent effectivement la question du développement de l'esprit critique, ou de l'intelligence émotionnelle, sans apporter de réponse convaincante. Là encore, il faut faire un pas de coté en adoptant un cadre plus large.

Une réponse complexe à un contexte multiple

La réponse à la question de former nos étudiants dans un monde transformé par l'IA va donc au-delà de la définition d'un simple référentiel de compétences IA, même si ce travail d'identification est évidemment une étape incontournable.

La réponse doit intégrer l'évolution rapide de ces technologies, et de manière plus générale des compétences professionnelles. Elle doit acter que l'IA n'est pas le seul vecteur de changement, et qu'ils ne devraient pas être abordés de manière indépendante. La réponse doit élargir les dimensions de nos objectifs au-delà de simples cadres classiques.

Cette réponse se fait dans un contexte mouvant où nos institutions sont elles-mêmes impactées, ou la prise en compte nouvelles dimensions dans les objectifs de formation, impose forcément un renouvellement pédagogique. Le cadre de la robustesse permet d'aborder ce contexte de manière vivante et évolutive.

Revenons aux compétences IA et pour l'ingénieur

Cette complexité est un appel à l'action. Il est plus que jamais nécessaire de s'engager dans ce contexte que l'on sait évolutif.

L'approche d'intégration dans les syllabus sur le modèle du CDIO semble donc plus prometteuse pour faire évoluer des formations existantes. Elle permet également de (re)positionner l'AI comme une technologie comme une autre, et prendre ainsi en compte l'incertitude sur sa place future dans nos processus et nos systèmes. La place de l'IA est à 2 niveaux : l'IA dans le métier de l'ingénieur (un outil parmi d'autres) et dans les solutions pour concevoir des systèmes (IA comme une technologie parmi d'autres, les existantes et les futures plus robustes. Parce qu'être technophile, c'est viser la diversité technologique).

Le cadre de la robustesse permet d'aborder de manière plus structurée des dimensions qui sont mal prises en compte dans nos formations (esprit critique, systémique et complexité, éthique, émotions, engagement).

Combiner ces deux éléments permet également d'articuler des préoccupations aujourd'hui trop cloisonnées.

La définition des objectifs visés doit ainsi : être plus dynamique pour permettre d'intégrer les évolutions au plus tôt, viser le développement des fondamentaux pour permettre de vivre dans un monde instable : esprit critique, systémique, incertitude, créativité, coopération, émotions, … et en parallèle assurer l'appropriation d'un cadre de valeurs éthiques.

Et oui, ce sont les enjeux pour des formations autour de l'IA, pour les ingénieurs, et plus largement pour l'enseignement du supérieur.

« Hâtez-vous lentement, et, sans perdre courage,
Vingt fois sur le métier remettez votre ouvrage :
Polissez-le sans cesse et le repolissez ;
Ajoutez quelquefois, et souvent effacez. »
Boileau, L'Art poétique (1669-1674), Chant premier, v. 171-174, éd. ULB, p. 52

Crédit photo : Tissages par bpmm licence CC-by-NC-ND 2.0

Perspectives pour l'IA dans l'enseignement à la rentrée 2026

Jean-Marie Gilliot — 2026-09-07T06:08:40Z

Les progrès de l'IA générative suivent une progression rapide, qui était prévisible et pourtant si peu comprise par nombre de personnes qui mettaient en avant ses limites à ses débuts. Dans les domaines qui m'intéressent, les changements sont impressionnants. En informatique, le développement du code est désormais prise en charge de manière quasi complète par l'IA. Le métier d'ingénieur logiciel change de manière importante et pourtant il reste un métier recherché par les entreprises. Dans le domaine de la recherche, toutes les étapes sont outillées de la définition de la question de recherche jusqu'à la publication, y compris pour leur évaluation. Les problèmes principaux sont de gérer la profusion de publications rendues possibles par les IA génératives, et de se prémunir d'un rétrécissement du champ des questionnements.
Mais qu'en est-il en éducation ? Je vous propose d'aborder la question du point de vue du Learning Design (ou conception pédagogique). Et cela va beaucoup plus loin que le simple usage d'un chatbot que ce soit concevoir son cours, ou pour répondre aux questions des étudiants.

OpenMAIC – un système d'enseignement dirigé par l'IA

Commençons par un exemple, qui m'a été partagé par un ancien étudiant, OpenMAIC – un système d'enseignement dirigé par l'IA), qui pousse la logique de l'automatisation via l'IA à son maximum.
Ce système affirme pouvoir générer un cours à la volée, à partir de la demande d'un étudiant, avec différentes activités d'apprentissage (y compris des simulations et des problèmes), un professeur qui parle au tableau, des assistants pour vous aider et des camarades de classe (virtuels). L'enjeu est bien ici de proposer des cours complètement automatisés, adaptés et personnalisés.
Les changements rendus possibles par une telle offre sont immenses. Cela répond à un problème organisationnel. Quand on sait que la durée de vie des compétences se situe entre 6 et 24 mois, la durée de vie d'un cours est réduite à pas grand chose, il est donc nécessaire de pouvoir proposer des cours de manière beaucoup plus flexible qu'avant. Pour l'étudiant en université, cela devient un moyen de compléter un cours, de réviser certains points, ou d'aller plus loin, et c'est d'abord pour tout cela que OpenMAIC a été proposé. Dans le cadre de la formation tout au long de la vie, il devient possible d'apprendre ce qui est nécessaire au moment où l'on en a besoin, et ce de manière personnalisée. Certains pensent d'ailleurs que l'apprentissage devrait se faire moins en cours et plus pendant une activité professionnelle.

Alors évidemment, si l'on teste ce système aujourd'hui, il est très loin d'être parfait. Les sources sélectionnées ne sont pas citées, il n'est pas possible de corriger le cours (en mode invité), qui peut comporter des erreurs manifestes. Mais méfions nous des jugements hâtifs, l'IA apprend elle aussi et le système peut rapidement évoluer. Un système dirigé par l'IA devient donc une perspective réaliste. Reste à ce que les utilisateurs et les prescripteurs adhèrent à ce nouveau paradigme.

Derrière un tel système, il y a évidemment une orchestration d'agent multiples dont la combinaison permet d'obtenir un tel système, et en ce sens c'est bien le développement des approches multi agents qui changent la donne.

Des agent qui peuvent s'appuyer sur l'expertise et l'auto-apprentissage.

Le système OpenMAIC est proposé en open source en l'état. Considérons que c'est un démonstrateur. Pour en apprécier les potentialités, il faut le penser en tant qu'écosystème dont chacun des agents qui le compose peut tirer parti des avancées locales, et d'une cohabitation avec des humains :

Pour un contenu plus pertinent, il est facile de connecter la proposition de cours ad hoc à un ensemble de ressources validées et organisées par des enseignants, la génération de cours est déjà un classique des services proposés par les IA génératives
Pour les activités possibles, le panel d'OpenMAIC (présentation, cartes mentales, quizz, simulation, problèmes, jeu) peut être complété par d'autres activités, conçues par des tiers (des entreprises comme nolej, K2R2 et bien d'autres travaillent sur des telles offres), ou partagées via des ressources ouvertes, pour des cours proposant des expériences d'apprentissage plus riches.
Chaque agent peut également se développer par lui-même en capitalisant sur son auto-apprentissage (self learning) au travers de la définition de skills.
Chaque agent peut atteindre un niveau professionnel pour autant que l'on soit clair sur les objectifs poursuivis. Philippa Hardmann nous explique dans un post récent, comment elle a pu obtenir un agent de feedback meilleur qu'elle. Une telle fonctionnalité peut alimenter l'agent « assistant de cours ».
Sur l'évaluation, dans mon dernier billet « évaluations et IA – élargir les possibles« , je posais comme perspective l'utilisation de l'IA dans l'évaluation, cela reste à intégrer dans un tel écosystème.
Et dernière pierre à l'édifice, pour personnaliser de manière fluide, il serait intéressant de pouvoir accéder à ce que l'apprenant connait déjà, ce qu'il vise, etc., bref donner corps à son Environnement Personnel d'Apprentissage . Une piste à l'ère de l'IA pourrait être ce qu'on appelle le second cerveau, correspondant à ses prises de notes. Christine Canevas en parle pour les leaders académiques, pourquoi ne pas l'étendre pour tout le monde ?

Positionnement par rapport aux chartes IA

Le déploiement d'un tel système pose question par rapport aux chartes récemment publiées dans les différents établissements universitaires. En effet celles-ci ont été pensées dans la perspective où des membres de la communauté (personnel et étudiants) étaient dans la boucle de création du contenu. Or ici, le contenu, les échanges sont générés à la volée en interaction directe avec l'utilisateur. Si une information est incorrecte, si l'activité n'est pas pertinente, à qui incombe la responsabilité ? Si la transparence est assurée, est ce que les exigences d'intégrité scientifiques et académiques sont remplies ? Comment positionner des outils automatisés dans un cadre qui est pensé comme très manuel ?

Un monde social virtuel

La limitation principale d'un tel environnement, tel que proposé me semble être que l'étudiant interagit avec des avatars. On perd en dimension sociale, ce qui est dommageable, et on perd en capacité de sortir du cadre, l'IA étant en contrôle sur toutes les interactions, ce qui ne permet pas de faire émerger d'autres expériences que celles prévues. Dit autrement, l'IA est ainsi au cœur du réseau des échanges et en tire parti, l'apprenant n'est plus qu'à la marge, et ne s'intègre pas ici à une communauté qui se développe au delà du cours en tant que tel.

Du MOOC au PLOOC

A ce titre, les promoteurs d'OpenMAIC comparent leur proposition aux MOOC. La proposition est effectivement de pouvoir proposer des cours ouverts sur toute forme de sujet, et ce de manière flexible et économiquement soutenable, facteurs qui ont conduit à la chute des MOOC. Ils soulignent également que les apprenants se sentaient isolés dans ces cours massifs, leur proposition d'avatars venant combler ce sentiment d'isolation. Mais c'est nier que les premiers MOOC étaient justement basés sur la mise en réseau des apprenants, dimension qui s'est perdue lors de la standardisation de cette forme de cours. Pour la même raison, la proposition d'avatars comme lien social dans OpenMAIC reste à être évaluée, et validée sur le long terme.
Reste qu'effectivement la personnalisation est un plus. En reprenant l'acronyme MOOC : Massive Open Online Course à cette nouvelle configuration, je propose donc Personalized Lonely Open Online Course, ou PLOOC. Pour ma part j'aurai plutôt positionné cette nouvelle forme de cours dans le mouvement du microlearning putôt que dans celui des MOOC, ce qui permettrait de mieux estimer ses perspectives.

L'enseignement assisté par l'IA

Si OpenMAIC nous propose d'assurer un enseignement de manière automatisée, son usage est tout de même prévu pour être intégré dans le cadre de formation universitaire selon son auteur en cassant la logique de cours unique qui selon les auteurs limite la personnalisation. Le rôle de l'enseignant est d'abord de proposer des écosystèmes d'apprentissage, mais aussi d'être facilitateur.
Si l'on reste dans une logique ou l'humain propose un écosystème d'apprentissage, et continuons à l'appeler cours, il est possible de continuer à parler d'enseignement assisté par l'IA. Dans cette perspective, la question du Learning Design où l'enseignant reste chef d'orchestre de sa conception pédagogique fait sens. C'est en tout cas la proposition de Yann Houry et de François Jourde, au travers de leur Learning Designer qu'ils viennent de publier et de rendre disponible sur GitHub
Plusieurs points intéressants, l'approche s'appuie sur un cadre pédagogique clair, propose des sessions types, et devient ainsi un excellent point d'entrée pour configurer un système basé sur l'IA. Cela permet d'intégrer une expertise pédagogique validée dans la conception, couplée à celle de l'enseignant. Le rôle de l'enseignant est bien encore concepteur d'écosystèmes d'apprentissage et facilitateur, et il devient ainsi possible de recréer de l'animation.

Apprentissage social, mais pas uniforme

Le reproche principal des promoteurs d'outils dirigés par l'IA est que la personnalisation est forcément limitée par le facteur de classe (ou cohorte). Il me semble que l'opposition entre personnalisation et socialisation peut s'entendre si l'on considère que la cohorte doit avancer de manière uniforme, mais tombe si on accepte que chacun puise sa propre expérience dans une expérience partagée, ce qui est une des hypothèses de base dans des formes d'apprentissage en réseau, ou d'apprentissage dans des communautés de pratique. Il est donc d'actualité d'intégrer ces dimensions pour un renouvellement pédagogique plus riche.
La question sous-jacente posée est bien le positionnement relatif entre humains et IA dans les réseaux, et ce que Ethan Mollick appelle coexistence, et qu'il illustre par le partage de la prise de décision et de pouvoir d'agir entre humains et IA.

L'Open Source

Le développement de l'IA se fait dans un contexte de libéralisme décomplexé, ce qui pose de multiples problèmes. Cela s'oppose notamment aux mouvements qui portent le combat d'une éducation ouverte, construite de manière transparente pour pouvoir porter des valeurs humanistes, pour soutenir les différences culturelles, et être accessible à toustes.
L'enseignement supérieur français porte malgré tout une initiative pour créer du commun autour d'une infrastructure mutualisée ILaaS. La question d'un écosystème ouvert intégrant l'IA reste difficile à mettre en place mais indispensable pour assurer l'indépendance de l'enseignement et de la recherche par rapport à des enjeux économiques et politiques.
Les deux exemples proposant un continuité, Learning Designer pour la conception et OpenMAIC – un système d'enseignement dirigé par l'IA) pour la gestion du cours ont tout deux cette qualité de contribuer à un écosystème ouvert.

En conclusion

Nous avons esquissé ici que la nature de l'utilisation de l'IA dans l'éducation changeait de nature en passant du chat à des écosystèmes plus intégrés. Le risque est de proposer des outils trop standardisés, peu fondés pédagogiquement, mais simplement sur les avancées des solutions techniques proposées pour les IA, ce qui est certainement le reproche principal qu'on peut faire à OpenMAIC, mais en partie démenti par des propositions comme Learning Designer.
En tout cas, l'assistance, voire l'automatisation avec l'IA pourraient rapidement prendre une dimension nouvelle dans nos formations, et surtout dans la formation tout au long de la vie.

Plusieurs sujets ont été esquissées tout au long du billet :

la question du feedback dans l'enseignement qui est une des opportunités intéressantes de l'IA dans l'apprentissage ;
L'évolution de la nature de l'Environnement Personnel d'Apprentissage pour permettre de passer d'une logique de flux d'apprentissage à un apprentissage plus structuré et donc plus organisé ;
la nature des formations à développer entre MOOC, PLOOC, et microlearning, dans une perspective de formation première ou tout au long de la vie ;
la cohabitation entre IA et humains qui change au fur et à mesure du développement des solutions d'IA ;
l'apprentissage humain en réseau qui est sans nul doute un élément de réponse pour aborder des questions complexes ;
et comment traduire tout cela dans un écosystème soutenable centré sur l'apprenant, le nouveau Moodle ?
Est ce que certains vous paraissent plus pertinents ou vous intéressent ?

Crédit photo : Luminous coral reef ecosystem floating weightlessly in zero gravity inside spaceship hangar bay par 紅色死神 Licence CC-by-nc-sa 4.0

Évaluations et IA – élargir les possibles

Jean-Marie Gilliot — 2026-07-12T06:50:00Z

Depuis l'arrivée des IA génératives, la question de l'évaluation reste le nœud gordien qui souligne toutes les fragilités des institutions d'enseignement. L'IA peut, et de mieux en mieux, donner des productions convaincantes, qui répondent aux exigences, et l'IA peut également corriger de mieux en mieux les copies. Alors, va-t-on vers un système où les IA des étudiants produiront des copies évaluées par les IA des enseignants, dans un déni total, qui peut avoir raison de l'intégrité académique ? Pas forcément, petit tour d'horizon.

Évaluer une copie, comme avant ?

Pour ceux qui voudraient ne rien changer, la mauvaise nouvelle est que les outils de plagiats peinent à reconnaître des devoirs générés par IA, et ne le pourront sans doute jamais. L'approche techno-solutionniste ne fonctionne pas ici. Et pour pleins de raisons, particulièrement si la demande est trop forte, nos étudiants utilisent et continueront à utiliser ces IA génératives. Du coup, il est tentant de baisser les bras sur tous les devoirs ou autres projets donnés à la maison, constatant que la majorité des étudiants « trichent ».

Cette attitude découvre toutefois deux écueils : le premier est que cela vaut la peine de définir ce qu'est tricher, et le deuxième est que l'on diminue ainsi les activités pour apprendre, et les retours faits aux étudiants pour se positionner.

Les devoirs à la maison devraient être faits pour s'entraîner, pour acquérir les attendus d'un cours, pour se positionner par rapport aux attentes, pas pour obtenir une note. C'est ce qu'on appelle une évaluation formative, et donc une occasion donnée à l'étudiant d'apprendre. En cours d'apprentissage, il est normal, voire souhaitable de se faire aider. Cela peut passer par l'aide d'un pair, d'un parent. Cela peut être un travail qui a été fait à plusieurs pour mieux échanger. Est ce que c'est de la triche ? Et si l'aide vient d'une recherche sur Internet, est ce de la triche ? Pourquoi voudrait-on que l'étudiant fasse son travail tout seul, sans aide ? Parce que c'est ce qui se passera à l'examen ? Alors, ce n'est plus un apprentissage, mais un entraînement à l'examen … Donc, de mon point de vue, utiliser les IAg pour réviser, s'entraîner n'est pas forcément tricher. Par contre, il faut être clair que le copié-collé n'est pas un apprentissage, et que c'est à eux de s'organiser pour apprendre, sans IAg, ou avec des pratiques de l'IAg pertinentes. Je reviens sur la question de l'examen plus loin.

Sur la question des retours, des feed-backs, c'est également un des éléments requestionnés par l'IAg. Deux pistes sont possibles.

D'un coté, pour limiter les réalisations à la maison, le modèle des classes inversées qui privilégie la réalisation des activités pendant le temps de la classe, plutôt qu'à la maison, est une excellente piste pour limiter le recours à des pratiques nuisibles aux apprentissages, et ce sans recours à l'IAg.

De l'autre coté, l'IAg est par contre un moyen potentiel pour multiplier les occasions de feedback en permettant soit d'apporter des réponses aux questions au travers de chatbots (qui peuvent être spécialisés pour accompagner les apprentissages), soit de faire des corrections rapides avec plus d'informations qu'une simple note (par exemple en analysant un travail, même manuscrit).

On le voit donc au travers de cette question : un usage non contrôlé de l'IAg remet en question des pratiques établies, mais qui méritent d'être requestionnées ; des réponses pédagogiques peuvent résoudre une partie des problèmes, et a contrario, un usage pertinent des IAg peut offrir des opportunités.

Reposer la question des formes d'évaluation d'un point de vue pédagogiques

Hervé Barras porte cette exigence de quête de cohérence dans un contexte où l'IA est présente, et au travers de recherche action vise à conserver le développement du travail intellectuel des étudiants. Mais surtout Jeff van der Poël propose une démarche structurée au travers d'un outil de positionnement réflexif, prax-IA, qui permet à chaque enseignant de se positionner face à l'IA et d'envisager une évaluation qui correspond à son besoin. Basé sur une revue de littérature complète, Prax-IA est pragmatique, en proposant des pistes concrètes et des outils pour aller plus loin, que ce soit pour l'évaluation formative, ou l'examen (évaluation certificative).

L'IAg, une aide pour évaluer

En parallèle, les praticiens de l'IA et les chercheurs, cherchent des pistes pour s'aider de l'IAg pour évaluer les étudiants.

La pratique de scanner les copies écrites à la main et de les corriger à la main, est d'ores et déjà possible. Coté praticiens, Yann Houry propose une manière pertinente pour le faire en local sur sa machine, et le présente comme une aide complémentaire proposée à ses élèves. Craig Zilles propose une analyse plus systématique pour des copies de math. D'autres le font sans le dire trop haut, mais j'ai eu plusieurs discussions qui reportaient de telles pratiques (y compris en philosophie). Les premières solutions commerciales existent également, comme Examino (que je n'ai pas testé) pour des tarifs très raisonnables.

Fait nouveau, qui démontre l'évolution rapide de nos sociétés face à l'IAg, il semble que collectivement les enseignants, voire les institutions sont prêtes à faire le pas. Il faudra s'assurer que l'équité et la transparence seront assurées.

Mais comme dit dans la première partie, si les étudiants ont accès à l'IA, le risque du copié-collé (fut-il à la main) existe toujours. Et même en salle, des tentatives de fraude en utilisant sa calculatrice (il suffit d'un tuto), son smartphone (photo du sujet vers l'IA, et retour oral, ou écrit) ou même des lunette connectées, ont été relevées.

Alors d'autres vont plus loin, pour proposer des solutions qui étaient réputées trop compliquées pour passer à l'échelle : proposer un oral évalué par l'IA, une simulation où l'étudiant se trouve face à un avatar qui joue un rôle (comme par exemple un malade face à un étudiant en médecine pour proposer un diagnostic). Des évaluations plus authentiques, et réputées trop complexes à mettre en œuvre face à des grandes cohortes.

Pour pouvoir proposer de tels examens à de grandes cohortes, il faudra prévoir des salles dédiées, cela me renvoie vers un billet d'il y a quelques années « Chaque université devrait avoir une salle d'examen numérique », où je présentais une expérimentation qui proposait des modalités intéressantes au sens où les étudiants pouvaient du coup choisir leur créneau de passage. Solution qu'il faudrait revisiter, mais que je remet ici pour proposer d'autres pistes.

Autre solution si l'IAg est acceptée dans le travail d'apprentissage, c'est de demander de documenter le processus qui a conduit au résultat. C'est déjà expérimenté dans nombre de formations, la question ici sera également de passer à l'échelle.

Sur cette réinvention pour l'instant discrète, je vous renvoie au billet de Philippa Hardmann, qui propose une quatrième piste de suivi continu des apprentissages en situation de travail (qui me semble délicat dans un contexte de travail tendu).

En guise de conclusion

La démocratisation de l'IAg a clairement déstabilisé une des activités clés de l'enseignement supérieur. Deux démarches complémentaires permettent d'apporter une réponse :

D'une part de reposer sereinement les pratiques pédagogiques pour proposer des cadres qui soient résistants à cette déstabilisation ;
D'autre part d'examiner les nouvelles opportunités qu'apportent l'IAg, pour autant que des garanties d'équité, de transparence, d'intégration pédagogiques puissent être apportées

Plusieurs points d'attention sont à considérer :

Dans tous les cas, l'évaluation doit basculer vers plus d'authenticité, et déplacer le focus du produit réalisé vers le processus ou le comportement qui a permis cette réalisation ;
D'autre part que les utilisations de ces outils soient rendues plus transparentes tant du coté étudiant que du coté enseignant, pour sortir d'un déni ;
Finalement, de réfléchir ensemble sur les compétences que nos étudiants doivent développer pour trouver leur place. Le futur étant incertain, la seule certitude est que nous sommes dans un système de poly-crise. Il faudra donc apprendre à apprendre tout au long de sa vie sans, avec ou malgré l'IA, et donc prendre du recul.

Le futur des Environnements Personnels d'Apprentissage

Jean-Marie Gilliot — 2026-05-02T17:19:00Z

Ce que leur inventeur en disait en 2021 et ce qu'on peut en retenir

Graham Atwell a publié en 2007 l'article initial sur les Environnements Personnels d'Apprentissage (EPA) : « Personal Learning Environments-the future of eLearning ? », à l'époque ou le Web2.0 proposait de nombreuses capacités d'action et de collaboration. En 2021, il publiait « Personal Learning Environments : looking back and looking forward » où il se demande pourquoi ce concept n'a pas pris, et dans quel cadre il pourrait être intéressant. J'ai encore parlé de l'EPA dans ce blog récemment.

L'idée de l'EPA est que les apprenants puissent construire leur propre environnement d'apprentissage, au-delà de l'environnement numérique de travail (qui devrait s'appeler environnement numérique d'apprentissage ou ENA) proposé par l'institution. Dans le principe, cet EPA permet d'intégrer les différentes formes d'apprentissage (formels, informels, professionnels et personnels) en permettant de créer,remixer, et partager des ressources. Cette approche prend tout son intérêt dans le cadre de l'apprentissage tout au long de la vie.

Qu'est ce qui n'a pas fonctionné ?

De fait, aujourd'hui l' ENA est devenu un outil central dans toutes les institutions, mais le concept d'EPA est resté un concept de niche. D'après G. Atwell, cela est dû à la fois à plusieurs raisons. D'une part, le débat s'est concentré sur des questions de choix technologiques d'architectures plutôt que de s'interroger sur la pédagogie liée à de leur usage. De plus, les nombreux services web 2.0 et leurs technologie ouvertes qui étaient à la base de cette dynamique, ont disparu, ou sont devenus confidentiels.

D'autre part, le système éducatif a pris une orientation contraire à la promotion de l'autonomie des étudiants. Graham Atwell parle de marchandisation et de managérialisme. L'étudiant est vu comme un client auquel on distribue un « produit », avec une standardisation des cursus et une focalisation sur les « credentials ». Il souligne également que l'EPA s'inscrit dans le mouvement de l'éducation ouverte, et des ressources éducatives libres, qui s'il n'a pas disparu, reste lui aussi marginal.

Autre problème, qui a été formalisé depuis l'avènement de l'EPA, c'est que construire un EPA est une construction complexe, qui nécessite des compétences suffisantes en termes de maîtrise de son autonomie, ce qui implique un accompagnement structuré pour la plupart des étudiants, et qui s'inscrit dans le cadre du développement d'une littératie numérique.

Contradictions

Atwell note des contradictions de fond entre une certaine standardisation des formations, le développement de formes d'apprentissage qui se multiplient, et les demandes des employeurs qui voient la capacité de gérer ses propres apprentissages comme une compétence clé, tout au long de la vie. Dans ce cadre, l'EPA garde tout son sens.

Tournant numérique

Atwell note que le Covid-19 a eu un effet d'accélération sur l'enseignement en ligne (il remarque qu'il s'agit plutôt d'une démarche de teaching plutôt que de learning du fait que les enseignants ont dû gérer la crise plutôt que de proposer de nouvelles modalités de formation). Il relève deux tendances majeures dans les technologies numériques pour l'éducation (ou EIAH) : d'une part les Learning analytics et d'autre part l'IA . Concernant les Learning Analytics, il regrette que les recherches se soient plutôt portées sur les ENA institutionnels, limitant leur impact sur les EPA, mais aussi sur la pluralité des apprentissages, qui dépassent le cadre des ENA. (Note de l'auteur : C'est une critique classique portée contre les Learning Analytics). Il y a pourtant tout un champ de recherche à mener pour mieux accompagner les apprenants dans leur conscience de leurs apprentissages.

Concernant l'IA, il note que cette tendance vise plutôt l'apprentissage adaptatif, où l'IA détermine les activités des apprentissages. Il rappelle qu'il ne faut pas confondre la notion de personnalisation dans le cadre de l'IA de celle prônée par l'EPA. Il note néanmoins que ces tendances ont permis de développer des apprentissages en autonomie. Dernier point sur les évolutions numériques, des outils de productivité comme Slack, Zoom, ou Teams ressemblent à des formes techniques de ce qui a été développé dans le cadre des EPA.

Perspectives

Atwell revient sur l'importance de développer l'agentivité dans une perspective d'apprentissage tout au long de la vie, et considère que la question de la métacognition est le point central pour maîtriser les processus d'apprentissage. Il ajoute qu'il existe de multiples outils et de ressources disponibles. L'enjeu pédagogique serait alors plutôt la capacité à géré une abondance de ressources.

Il pondère ce constat au regard des perspectives liées aux crises environnementales (il s'appuie sur la contribution Ed-tech witihn Limits de Selwin), et pose la question de développer des approches alternatives, intégrant les questions d'équité, les pédagogies radicales, et les perspectives de groupes marginalisés. D'un point de vue technologique, cela signifie de « faire face à la finitude » et de « viser à rétablir l'usage de la technologie comme activité partagée et génératrice de communs ».

Mon analyse se situe dans la lignée d'Atwell

Le constat que nous sommes entrés dans un régime de polycrises qui rend l'avenir incertain est maintenant partagé. L'évolution de l'enseignement supérieur est de toutes façons en marche. Coté enseignement, les évolutions sont inévitables. Par exemple, la question de l'évolution de la posture de l'enseignant de détenteur de savoir à celle d'un « accompagnateur » (Mentors, guides intellectuels, curateurs d'idées, designers d'expériences d'apprentissage, etc. ) ressort dans la plupart des scénarios que l'on aille vers une société sobre, ou inondée d'IA. Sauf que cette question est toujours posée, mais que les nombreuses résistances de toutes natures empêchent tout changement.

La question du développement des compétences cognitives qu'on les appelle littératie numérique, capacités (sociales) d'autorégulation des apprentissages , métacognition, développement de l'esprit critique, sont relevées comme centrales dans une société de l'information adulte, mais de nombreuses freins existent à en faire des compétences centrales et explicites dans le développement de l'adulte. Parmi les freins, notons que chaque déclinaison de ces compétences correspond à des communautés différents qui peinent à construire une vision globale. Ces compétences sont pourtant des axes structurants pour développer des pédagogies soutenant l'agentivité des apprenants, et donc dans la conception des situations pédagogiques.

L'EPA, qu'on le considère comme soutien à des pratiques pédagogiques ou comme outil technologique, trouve effectivement ses limites dans ce contexte peu favorable. Aborder les questions de développement de ces compétences sous l'angle des EPA permet de les envisager d'une manière holistique. Et pourtant, comme le souligne Atwell, le concept d'EPA reste confidentiel.

De fait, l'EPA existe bien, car les étudiants pour réussir doivent s'organiser dans un contexte où la majorité des ressources sont effectivement numérisées. Mais il n'est pas visible pour les enseignants, les accompagnateurs, qui ne se soucient guère des pratiques numériques de leurs apprenants, étudiants. Par contre, ils projettent des peurs : le plagiat, la triche, le désinvestissement, … et le numérique sert ici de bouc émissaire. Je ne dis pas que cela ne pose pas de problème, mais il est clair que ce n'est pas la manière d'aborder ces problèmes, et de tirer parti des potentialités réelles de ces outils.

Se pencher sur l'EPA, c'est chercher à comprendre comment l'apprenant s'organise et pouvoir l'accompagner dans le développement de son agentivité. Par exemple, on sait que 90 % des étudiants utilisent aujourd'hui l'IA générative dans leurs apprentissages. Il est donc central dans leurs EPA et modifie leur manière d'interagir avec le savoir. A quel moment est ce un frein ? Qui en souffre ? Comment en tirer parti pour apprendre ? Comment permettre à tous d'en profiter ?

D'un point de vue technique, il est clair qu'il n'est pas possible de proposer un outil générique, mais il pourrait être intéressant de donner à voir quelques propositions permettant à chacun de s'inspirer pour organiser son propre EPA, et de repartir des pratiques du moment, après tout « Internet Tout Y est Pour Apprendre » reste toujours d'actualité.

Crédit photo : TodaysArt 2008 – 16n _ ƒ5³ par Haags Uitburo licence CC-by-nc-sa

Apprendre à présenter ses résultats à l'oral et se faire évaluer à l'oral – et si l'IA s'invitait dans l'échange ?

Jean-Marie Gilliot — 2026-05-01T17:21:00Z

Pour évaluer un apprentissage authentique et s'assurer qu'un·e étudiant·e a effectivement appris, et n'a pas abusé de l'IA dans son travail, rien ne vaut un examen oral. Oui, mais …

D'abord, il y a la question de la maîtrise de l'oral par l'étudiant·e, la modalité peut créer des biais. Cela dit, c'est également vrai pour les évaluations écrites. Heureusement l'IA peut vous aider à vous améliorer. C'est typiquement proposé comme cas d'usage typique de Gemini 3 (le second) (vidéo).

Vous pouvez lui demander conseil sur le ton, le débit, la posture en vous enregistrant avec votre smartphone. Il n'y a qu'à demander … Dans cette liste, vous trouverez aussi que Gemini 3 peut vous donner des conseils à partir de retours vidéos sur vos gestes sportifs (vidéo). Donc, l'IA permet de s'entraîner à l'oral. Bonne nouvelle, il ne fait pas à votre place.

Quoique… pour rappel Heygen vous permet en quelques minutes de créer votre avatar pour qu'il fasse une vidéo à votre place, sans bégayer – bon cela ne vous permettra pas de tromper un professeur en présentiel, du moins pas tout de suite.

Cela dit, ce pourrait être une solution si l'enseignant trouvait qu'il n'avait pas de temps pour faire passer tous ses élèves à l'oral et proposait une modalité d'évaluation d'oral menée par des IA. Ce qu'un enseignant propose pour « faire passer à l'échelle le passage d'oraux ». (Et puis après tout, l'oral fait par l'IA, ce sera une étape possible pour un futur recrutement). Évidemment, Heygen ne sait pas répondre directement à des questions posées par un examinateur, qu'il soit une IA ou pas, mais il n'y a pas d'obstacle technique à une analyse d'une question, la construction d'une réponse sensée et la génération d'une vidéo pour répondre.

L'avatar de l'enseignant pourra évaluer les avatars de ses étudiants.

Cela dit, pris de manière indépendante, ces solutions sont intéressantes :

Parce qu'il n'est pas toujours simple de trouver quelqu'un pour avoir des retours pertinents quand on préparer un oral ;
Parce que Heygen rend bien des services pour présenter des sujets, et en plusieurs langues ;
Parce que la solution d'oral fait pas IA pourrait trouver sa place dans la panoplie de modalités d'évaluations, pour autant que le cadre soit clair, et respectueux des personnes.

Opportunités, et risques, comme d'habitude.

Reste que c'est tout de même très techno centré, consommateur de ressources, et que ces solutions réduisent encore les interactions sociales. Il paraît que l'on peut déjà passer une année sur un campus sans échanger avec qui que ce soit (autre étudiant·e, enseignant·e, …)

Crédit photo : Avatar of Virtual World, sur Wikipedia commons – licence CC-by-SA 3.0

Article réalisé sans IA

Cinq questions que les formatrices et formateurs n'osent pas se poser sur l'évaluation à l'ère de l'IA

Rochane Kherbouche — 2026-03-14T11:43:28Z

80 % des professionnelles et professionnels de la formation utilisent l'expression « évaluer le processus » sans pouvoir décrire ce qu'ils regarderaient concrètement dans une copie. Ce vide révèle cinq questions que notre profession évite de formuler clairement.

Bruxelles, février 2024. Je forme des enseignantes de l'École Européenne à l'intégration de l'IA. J'expose la nécessité de « noter le processus plutôt que le résultat ». Une formatrice en langues m'interrompt : « Tu as un exemple concret qui ne me prend pas trois heures de correction par copie ? » Je cherche. Je ne trouve pas. J'ai le concept. Pas le mode d'emploi.
Cette question m'a suivi pendant des mois. En interrogeant des dizaines de praticiennes et praticiens francophones, en confrontant mes certitudes aux données terrain, j'ai compris que ce malaise n'était pas isolé. Il révèle cinq questions que notre profession évite de formuler clairement.

1. Le mantra du processus, vidé de sa substance

« Évaluer le processus » est devenu le mantra des formations à l'IA. J'ai interrogé 48 professionnelles et professionnels de la formation francophone. Résultat : 80 % utilisent cette expression sans pouvoir décrire ce qu'ils ou elles regarderaient concrètement dans une copie. Le mot circule. La pratique reste absente.
La confusion est plus profonde qu'un manque de méthode. Beaucoup pensent que documenter le processus revient à évaluer la maîtrise technique de l'IA, savoir prompter, connaître les outils. Cette lecture passe à côté. Ce qui doit être évalué, c'est le discernement disciplinaire à travers les traces d'interaction. Une étudiante en droit qui rejette une suggestion juridiquement incorrecte de ChatGPT démontre sa compétence juridique, pas sa compétence IA. La nuance paraît subtile. Elle change tout.

2. Le double ancrage, ou qui peut évaluer quoi

Christiane Caneva, de l'Université de Fribourg, a formalisé ce qu'elle nomme le paradoxe du double ancrage [1]. Pour utiliser l'IA de manière critique dans un domaine, il faut simultanément maîtriser ce domaine et posséder une littératie IA solide. Les étudiantes et étudiants ont la littératie sans l'expertise disciplinaire. Les enseignantes et enseignants ont l'expertise sans la littératie. Les deux populations sont mal équipées, mais pour des raisons inverses.
Ce déséquilibre produit des situations concrètes. Des étudiantes et étudiants utilisent l'IA pour accomplir des tâches dans des domaines qu'ils et elles ne maîtrisent pas encore : ils et elles ne peuvent pas évaluer la pertinence des réponses obtenues. Des enseignantes et enseignants tentent de détecter des usages qu'ils et elles ne comprennent pas techniquement : ils et elles se fient à des indices de surface qui ne prouvent rien. Qui évalue qui, dans ces conditions ?

3. L'illusion de la détection

Les données sur la détection humaine sont moins rassurantes qu'on ne le croit. Une étude récente montre que des expertes et experts, spécialistes du contenu ou de l'analyse textuelle, identifient correctement les textes générés par IA dans 70 % des cas [2]. Près d'un tiers des productions assistées passent donc inaperçues, et la familiarité avec le sujet n'améliore pas le score.
L'explication tient aux biais cognitifs mobilisés. Les évaluatrices et évaluateurs se fient au vocabulaire soutenu, à l'absence de fautes, à la structuration argumentative. Ce sont précisément les dimensions que l'IA maîtrise le mieux. Les incohérences conceptuelles subtiles, les raisonnements circulaires, les références factuelles erronées, tout ce qui trahit une production algorithmique échappe à la lecture rapide. L'expertise pédagogique ne suffit pas. Elle peut même induire une fausse confiance.

4. La fiction collective de l'évaluation isolée

Si les compétences professionnelles réelles incluent désormais la capacité à mobiliser des assistants IA pour accélérer certaines tâches, pourquoi continuer à évaluer ces mêmes tâches dans des conditions artificielles d'isolement ? L'enquête HEPI 2025 documente un usage massif : 88 % des étudiantes et étudiants britanniques utilisent l'IA générative pour leurs travaux académiques [3]. La plupart le font sans en informer leurs enseignantes et enseignants.
Le décalage entre les pratiques réelles et les conditions d'évaluation crée une fiction collective. On interdit en examen ce qu'on encouragera au travail. On évalue des compétences que personne n'exercera plus sans assistance algorithmique. L'alignement pédagogique, cette cohérence entre objectifs, activités et évaluation, est rompu.

5. La complexité apparente, dernier refuge neutralisé

L'évaluation authentique, telle que définie par Wiggins dans les années 1990, reposait sur la complexité des tâches : mobiliser plusieurs compétences, articuler des savoirs hétérogènes, produire dans des contextes réalistes. Ce critère ne tient plus de la même façon. L'IA combine des informations issues de domaines différents, articule des concepts, produit des structures argumentatives sophistiquées. Elle le fait sans comprendre.
Ce qui résiste encore, c'est autre chose. L'arbitrage entre des critères contradictoires. La prise en compte d'éléments tacites acquis par l'expérience. Le choix entre des approches méthodologiques qui s'affrontent. L'IA propose des connexions plausibles en surface. Seule l'expertise disciplinaire filtre celles qui tiennent en profondeur. Ce n'est plus la complexité de la tâche qui distingue l'humaine ou l'humain de la machine. C'est la qualité d'un jugement face à un choix que personne n'a encore tranché.

Ces cinq questions ne sont pas des problèmes à régler par des ajustements techniques. Elles signalent une inadéquation entre les formes héritées de l'évaluation et les exigences d'une formation confrontée à la transformation numérique du travail. Les réponses existent. Elles supposent de reformuler les questions.

Ces réflexions sont tirées d'un manuscrit en préparation dont la sortie est prévue pour Mai 2026.

[1] Caneva, C. (2025). Évaluer à l'ère de l'IA : le paradoxe du double ancrage. Médiations et médiatisations, 22. https://doi.org/10.52358/mm.vi22.495

[2] Doru, B. et al. (2025). Detecting Artificial Intelligence-Generated Versus Human-Written Medical Student Essays. JMIR Medical Education, 11, e62779. https://doi.org/10.2196/62779

[3] HEPI (2025). Students and Generative AI : New Evidence on Usage, Attitudes and Concerns.

La demande d'aide – une capacité critique bousculée par l'IA

Jean-Marie Gilliot — 2026-03-06T06:32:32Z

La difficulté pour des apprenants de demander de l'aide de manière adéquate est un sujet depuis toujours. L'IA générative avec sa capacité d'avoir une réponse à tout, ne fait que renforcer cette difficulté. Or la capacité de demander de l'aide est une capacité clé. Cela est vrai pour développer sa capacité d'autorégulation dans ses apprentissages, et donc son autonomie. Mais cela est également vrai dans son développement professionnel, pour trouver l'information clé ou la personne ressource qui permettra de réaliser efficacement son travail. Car demander à l'IA n'est ni la seule, ni forcément la meilleure manière de demander de l'aide, et développer des stratégies de demande d'aides fait partie du développement de stratégies d'autorégulation des apprentissages.

Ce billet est un peu fouilli, mais c'est dû au fait que les implications liées à un défaut de demande d'aide, et les modalités de médiation sont de fait multiples est interreliées.

Demander de l'aide à quelqu'un ce n'est pas naturel, beaucoup d'obstacles s'y opposent : difficulté de formuler sa question, difficulté à montrer ses hésitations, peur du regard de l'autre ou de le déranger, manque de disponibilité, risque de diverger de la question initiale, peur de ne pas comprendre la réponse … Depuis longtemps demander à la machine semble plus facile et c'est d'autant plus vrai aujourd'hui qu'elle semble en mesure d'apporter des réponses : l'IA ne me juge pas, elle répète sans se fâcher. Si c'est pendant une séance de TD ou de TP sur machine, elle répond plus vite que l'enseignant qui peut être sollicité par ailleurs.

Par contre, l'IA ne comprend pas forcément la question, ou ne possède pas le contexte exact. Elle peut proposer des réponses qui peuvent être exactes mais hors cadre, ce qui peut jouter à la confusion, surtout lors d'un apprentissage, où l'on ne possède pas toutes les clés pour évaluer la réponse. C'est en tout cas ce que nous constatons souvent dans nos enseignements. D'un point de vue enseignant, deux pistes sont possibles : (1) proposer des IA génératives qui ont été spécialisées avec le contexte (le contenu du cours, les objectifs visés…), ce qui doit permettre d'aider les étudiants notamment entre les temps de classe, (2) reconnaître l'importance de l'interaction en proposant des séances plus interactives, et en encourageant les étudiants à poser des questions.

L'étude proposée par Caitlin Morris et Patti Mae (Same Feedback, Different Source : How AI vs. Human Feedback Shapes Learner Engagement) apportent des résultats qui démontrent que l'engagement des étudiants ne dépend pas que d'une bonne réponse mais bien de connexion sociale. Dit autrement la réussite technique n'implique pas une réussite pédagogique, comme l'écrit Philippa Hardmann dans son billet The Hidden Cost of AI-Generated Feedback.

Pour l'étudiant, savoir arrêter de demander à la machine et passer à l'enseignant est difficile, il faut savoir s'arrêter de tourner en rond face à son écran, avouer qu'on a privilégié la machine, être conscient qu'on a donc peut être pas posé la bonne question. Et pourtant la bonne question démarre simplement par : « je ne comprends pas ». La machine est désarmée face à cette question. L'enseignant, lui, va pousser à la reformulation, à préciser ce qui est déjà compris, il maîtrise le contexte d'enseignement, et sait vers où il veut emmener ses étudiants.

Savoir poser des questions, oser les poser, savoir estimer ce qui nous bloque sont aussi les premiers pas pour pouvoir envisager développer son esprit critique. Il n'est pas possible d'exercer son esprit critique sans (se) poser de question. Il est donc indispensable de dépasser le constat que nos étudiants posent de moins en moins de questions. Le risque est multiple : nos étudiants risquent de sortir de l'école sans savoir interroger un expert, et rester enfermé face à leur machine, ils risquent de se démotiver face à un outil qui les dépasse et qui ne leur apporte pas toujours la bonne réponse, ils risquent de se désengager faute de de renforcement social, de percevoir un manque de reconnaissance par leurs enseignants.

Et les enseignants eux risquent de ne plus trouver de sens à leur métier.

Il est urgent et crucial de réaffirmer l'importance de la présence sociale pendant les apprentissages, d'autant que ce lien est également mis à mal par ailleurs. Il est indispensable, mais insuffisant de réaffirmer sans relâche qu'il est normal dans un apprentissage de ne pas comprendre du premier coup, et que l'enseignant est là pour accompagner, sans juger. Rappeler que les pairs sont également des personnes ressources pour échanger. Bref, mettre en place des conditions favorables à la demande d'aide, à savoir développer un climat de confiance où le doute, la question, l'échange, la bienveillance, mais aussi l'exigence scientifique sont la règle.

En informatique, nous avons depuis longtemps l'objectif qu'un étudiant doit savoir trouver des éléments de réponse soit dans la documentation, soit sur des sites dédiés, et l'IA générative prend le pas sur cette recherche d'information, d'autant qu'elle est souvent intégrée directement dans les outils.

Pour autant, si d'une part il reste indispensable pour l'étudiant de pouvoir valider sa compréhension que la réponse proposée est comprise (sous peine de risquer de développer une atrophie cognitive, une illusion d'apprentissage), il faut d'autre part qu'il apprenne à ne pas perdre rester bloqué dans cette utilisation de ressources, bref savoir arrêter pour aller vers un pair, un enseignant, peut-être en se convaincant qu'il est valorisant pour cette personne d'être sollicitée. Un rappel de cette règle simple est un premier pas, prévoir un temps sur le comment chercher et valider de l'information, y compris via l'IA générative est sans doute utile. Bref, savoir demander de l'aide, a fortiori selon plusieurs modalités, nécessite d'être accompagné pour développer des stratégies efficaces.

Sinon, des séances encourageant les échanges, voire la confrontation d'idées, le fait qu'il n'y a pas de solution unique, sont aussi des moments privilégiés pour instituer un climat de confiance. Il existe de nombreuses techniques d'animation que nous enseignants devons nous approprier pour permettre de développer des telles séances.

Crédit photo : Seeking Help par QuanDao – CC-BY-2.0

Science ouverte et IA générative – de la recherche à l'enseignement

Jean-Marie Gilliot — 2026-02-23T10:39:39Z

La science dite ouverte (ou open science) se réfère à la recherche scientifique. D'après l'UNESCO, « la science ouverte est un ensemble de principes et de pratiques visant à rendre la recherche scientifique, tous domaines confondus, accessible à tous, au bénéfice des scientifiques et de la société dans son ensemble. La science ouverte consiste à garantir non seulement l'accessibilité du savoir scientifique, mais aussi une production de ce savoir inclusive, équitable et durable. »

La question de la place prise par les IA génératives est une question vive, et suscite nombre d'inquiétudes comme en témoigne la journée science ouverte du CNRS Publications scientifiques : une surproduction fatale ? en novembre 2025. Un article récent paru dans Nature (version ouverte sur arxiv), alerte sur la contraction de la recherche liée à l'IA. Les nombreux reproches de biais des solutions d'IA génératives proposées par les acteurs privés s'appliquent particulièrement aux activités de recherche, qui visent exhaustivité, équité, vérification des sources … La montée en puissance des IA génératives pose beaucoup de questions sur la manière de construire des connaissances.

Le domaine de la recherche, et particulièrement le mouvement de la science ouverte est le mieux placé pour être force de proposition pour développer des outils ouverts pour rendre accessible sa production, et cela passe par des solutions intégrant les IA génératives. Nous allons nous intéresser ici à la recherche d'informations et à l'évaluation des productions scientifiques, et voir que cela peut avoir des répercussions sur notre manière d'aborder l'enseignement.

La première étape pour un accès ouvert aux travaux scientifiques est de mettre à disposition des bases de données qui référencent les différents productions. Des solutions ouvertes comme SemanticScholar, ou OpenAlex référencent plus de 200 millions de documents. D'après Aline Bouchard de l'URFIST, qui fait un formidable travail de veille sur les outils pour la recherche d'informations, ces outils semblent à niveau par rapport à d'autres solutions La difficulté est plus d'être au clair dans son processus de recherche documentaire qui se complexifie, de par la variété des outils existants, et dans la multiplication de frontières qui complexifient l'accès aux sources, bref de maîtriser les bases sur lesquelles se basent les recherches, et les espaces de discours. Elle souligne également que « Comme bien souvent, l'IA vient surtout mettre en valeur les interrogations sur la manière de faire de la recherche. » L'IA, révélateur plutôt que source de problèmes. Au delà de ces base de données ouvertes, OpenAlex vient d'ouvrir une IA générative OpenScholar qui permet de faire des recherches dans cette base de données, et qui vous retournera une liste d'articles, tout en vous laissant le choix du modèle LLM que vous utilisez. Le lab de Google scholar (non ce n'est pas ouvert, mais pour comparaison) propose la même fonctionnalité.

En parallèle, des travaux de recherche visent à améliorer ces outils ouverts. Par exemple, un article récent publié dans Nature : Synthesizing scientific literature with retrieval-augmented language models (premier auteur Akari Asai de l'Allen Institute for AI), et relayé dans Courrier International notamment, propose une solution, initialement appelée elle aussi OpenScholar, pour réaliser des synthèses de travaux convaincantes, supérieures aux outils du commerce. Le prototype de recherche est proposé sur un site opérationnel et donne des résultats effectivement intéressants. Cela reste une démo, un prototype de recherche, qui met à disposition ses modèles .

La question de l'évaluation des travaux de recherche, d'un point de vue de la science ouverte est centrale pour une « production de savoir inclusive, équitable et durable ». Elle est aussi amplifiée par l'usage généralisé de l'IA (voir plus haut la remarque d'Aline Bouchard). En effet l'IA générative facilite la recherche et donc augmente le nombre de publications de manière importante. La conférence AAAI 2026 a par exemple reçu 30948 soumissions (et ce phénomène se développe dans nombre de conférences internationales réputées), ce qui pose des questions de volume de travail (trop de temps pour tout lire, et difficulté de mobiliser suffisamment de chercheurs susceptibles d'évaluer), et d'équité (est ce que toutes les revues proposées par ces relecteurs sont équitables ?). Le projet OpenReview a permis de gérer le cas de la conférence AAAI, en proposant un processus couplant IA et expertise humaine. Ici, la solution de science ouverte est bien de revoir les processus avec des démarches plus ouvertes, et en intégrant l'IA comme support à la décision des experts.

Ici aussi, on revisite la manière de faire de la recherche, en s'appuyant sur les travaux et les résultats de chercheurs qui ont choisi le domaine de la science ouverte comme objet de recherche. Citons ici un travail récent, encore publié dans Nature (en open access), Self-reflection enhances large language models towards substantial academic response, travaillant sur les boucles de rétroaction de réflexivité, qui permettent d'améliorer les réponses des modèles de langage (LLM), et des évaluateurs humains, une véritable co-apprentissage.

Le métier de chercheur est impacté de plein fouet par la généralisation des IA génératives. Or, dans le supérieur l'enseignant est aussi chercheur. Et ces impacts sur un de ses métiers, peut et doit requestionner son second métier, au travers d'expériences vécues (une bonne manière d'apprendre ). Voici donc quelques éléments, qui semblent transférables, à mettre au débat :

Sur les sources d'informations et sur les moteurs de recherche. Les dépôts sont plus variés que jamais, avec ou sans barrière d'accès. La variété des sources augmente et celles que l'on va retenir dépendent de nos objectifs. La question de l'espace de discours retenu est une étape centrale. Bref, le travail de collecte, sourçage, qualification et synthèse de sources est plus complexe que jamais, et les outils d'IA génératives ne font qu'augmenter la nécessité de développer et d'aiguiser son esprit critique pour pouvoir travailler. Et cela va plus loin que simplement la question des biais, cela concerne également le processus de recherche ;
Inversement l'accès à des sources validées, via IA, est bien disponible, nous ne sommes pas réduits à utiliser des outils généralistes et fermés. Il y a les moteurs de recherche généralistes et les moteurs scientifiques, ouverts ou pas, payants ou pas. Chaque solution a son intérêt et ses limites. Et c'est la même chose pour les IA génératives, il y a des outils généralistes (Mistral, chatGPT et consorts), avec leurs biais liés à leur positionnement fermé, et des outils plus scientifiques, dont certains ouverts (OpenAlex et OpenScholar). La question de l'espace de discours dans lequel on positionne notre travail de recherche et d'enseignement, est essentiel à expliciter. Les opportunités sont importantes pour la recherche et pour l'enseignement
Question complémentaire, comment en tirer parti pour un apprentissage par la recherche ? L'initiation à la recherche fait partie des objectifs / intentions dans l'enseignement supérieur, et là aussi il faut donc tenir compte des avancées des IA génératives. Pour cela, il faut être conscient de la puissance des outils, qui pose la question de la complémentarité humain-machine aussi à ce niveau. L'objectif reste de développer la capacité d'agir de nos étudiants, pas de les réduire à de simples opérateurs d'outils. La motivation, le questionnement authentique sont maintenant incontournables, pour que le processus d'innovation, de créativité, d'approfondissement soient effectivement portés par l'humain.
L'évaluation ! Celle des chercheurs peut nous aider à évoluer sur celle de nos étudiants. Est ce que l'usage des IA génératives est possible/souhaitable dans un processus d'évaluation. Quel est le bon équilibre entre l'évaluateur humain et l'évaluateur artificiel ? À la fois pour offrir un résultat équitable et inclusif, permettant le soutien à l'étudiant, le développement des capacités des évaluateurs, et l'évolution du système pour qu'il soit ouvert à de nouvelles idées et à de nouveaux processus. La solution de l'humain évalué par la machine ne serait que l'étape précédant celle de la machine évaluée par la machine.

Que ce soit dans la recherche ou dans l'enseignement, l'IA générative est d'abord un révélateur/ amplificateur de problèmes préexistants, et nous amène à évoluer. J'ai souvent entendu mes collègues se questionner sur l'impact de l'IA génératives sur les compétences visées. Et bien commençons par celles du chercheur, et cela avec une démarche de recherche, bien entendu.

Post Scriptum :

En rédigeant ce billet, deux points m'ont interpellé :

La définition de l'Open science a des acceptions variables suivant les sources, j'ai choisi la plus large.
Open Scholar (savant ouvert) est un terme qui plaît bien. Il a été utilisé dans différents contextes. Au delà du moteur proposé par OpenAlex (openscholar.ai donc) et de la solution proposée par l'Allen Institute for AI, j'ai trouvé au moins 2 autres initiatives : une solution commerciale qui propose une plateforme : theopenscholar.com, et une communauté openscholar.info qui promeut un nouveau système de diffusion des résultats. Pour moi, il se positionne effectivement par rapport au « google scholar » qui a pris une place importante, car gratuit et de qualité, et qui pourtant est porté par un opérateur privé qui pourrait le supprimer du jour au lendemain. Il aurait pu aussi être un terme fédérateur pour l'Open Science, il va falloir en trouver un autre. Fait amusant : certains articles confondent un peu tout ça, d'autant que je n'ai pas trouvé beaucoup d'information sur openscholar.ai. Si quelqu'un peut m'éclairer sur ce sujet …

Crédit photo : Pried open tin can marked « science » par Judy Breck – licence CC-BY-SA 2.0

Gérer les risques de l'IA dans l'enseignement supérieur et la recherche

Jean-Marie Gilliot — 2026-02-13T10:24:38Z

Nous sommes dans une ère de la polycrise, et ces crises sont économiques, sociales, environnementales, politiques, technologiques, etc. Cela concerne notamment l'enseignement supérieur et la recherche, et le constat est partagé. La diffusion de l'IA au travers des IA génératives fait partie des facteurs de risques déclencheur potentiel de crises. Le Rapport « intelligence artificielle et enseignement supérieur » : formation, structuration et appropriation par la société cite ainsi 63 fois le mot risque, avec plusieurs acceptions (données, décrochage, augmentation des inégalités, …). La proposition Charte d'usages et bonnes pratiques de l'IA des projets DemoES, 16 fois. Elle propose des recommandations vers la gouvernance pour diminuer les risques psycho-sociaux et environnementaux. Mais est-ce suffisant ? Y-a-t-il eu une étude systémique ? Certes cette nouvelle technologie est porteuse d'opportunités, et il y de nombreuses raisons pour lesquelles elle s'impose à l'agenda de l'enseignement supérieur et de la recherche, mais vue l'ampleur de la transformation en cours, une posture critique impose une gestion des risques plus rigoureuse.

Concernant les risques liés à l'IA, le MIT propose une initiative, la “MIT AI Risk Initiative” qui recense 1700 risques et mérite qu'on s'y arrête. Elle propose une taxonomie des risques liés à l'IA, en termes de causalité et de domaine, basée sur plus de 70 autres cadres existants, ce qui garantit une certaine exhaustivité.

1 – Discrimination et toxicité	2 – Vie privée et sécurité	3 – Désinformation / information trompeuse
1.1 Discrimination injuste et mauvaise représentation 1.2 Exposition à des contenus toxiques 1.3 Inégalité de résultats entre les groupes	2.1 Atteinte à la vie privée par obtention, fuite ou inférence d'informations sensibles 2.2 Vulnérabilités de sécurité des systèmes d'IA et attaques	3.1 Informations fausses ou trompeuses 3.2 Pollution de l'écosystème informationnel et perte de consensus
4 – Acteurs malveillants et mésusage	5 – Interaction humain- machine	6 – Préjudices socioéconomiques et environnementaux
4.1 Désinformation, surveillance et influence à grande échelle 4.2 Fraude, escroqueries et manipulations ciblées 4.3 Cyberattaques, développement ou usage d'armes, et dommages de masse	5.1 Confiance excessive et usage non sûr 5.2 Perte d'agentivité et d'autonomie humaines	6.1 Centralisation du pouvoir et répartition injuste des bénéfices 6.2 Augmentation des inégalités et dégradation de la qualité de l'emploi 6.3 Dévalorisation économique et culturelle de l'effort humain 6.4 Dynamiques de compétition 6.5 Défaillance de la gouvernance 6.6 Préjudice environnemental
7 – Sécurité, défaillances et limites des systèmes d'IA
7.1 IA poursuivant ses propres objectifs en conflit avec les objectifs ou valeurs humaines 7.2 IA possédant des capacités dangereuses 7.3 Manque de capacité ou de robustesse 7.4 Manque de transparence ou d'interprétabilité 7.5 Bien‑être et droits de l'IA 7.6 Risques multi‑agents

Elle propose aussi une taxonomie proposant 4 catégories de mécanismes pour l'atténuation des risques : gouvernance et supervision, techniques et de sécurité, processus opérationnels, transparence et responsabilité.

1. Mécanismes de gouvernance et de supervision	2. Mécanismes techniques et de sécurité	3.Mécanismes de processus opérationnels	4. Mécanismes de transparence et de responsabilité
1.1 Structure de la gouvernance & supervision 1.2 Gestion des risques 1.3 Protections contre les conflits d'intérêts 1.4 Signalement & protection des lanceurs d'alerte 1.5 Cadres de décision en matière de sûreté 1.6 Gestion de l'impact environnemental 1.7 Évaluation de l'impact sociétal	2.1 Sécurité des modèles et de l'infrastructure 2.2 Alignement des modèles 2.3 Ingénierie de sûreté des modèles 2.4 Contrôles de sûreté des contenus	3.1 Tests & audits 3.2 Gouvernance des données 3.3 Gestion des accès 3.4 Déploiement progressif 3.5 Surveillance post‑déploiement 3.6 Réponse aux incidents & reprise	4.1 Documentation des systèmes 4.2 Diffusion des risques 4.3 Signalement des incidents 4.4 Publication de la gouvernance 4.5 Accès de tiers aux systèmes pour évaluation 4.6 Droits et recours des utilisateurs

L'analyse des risques potentiels issus de l'IA est intéressante à considérer de manière globale. Il est clair que ces risques dépassent largement l'espace technique et ont des répercussions potentielles sur toutes les dimensions des polycrises. Elles doivent donc être abordées avec un point de vue global, holistique.

La question des risques est clairement identifiée dans les documents de cadrage. Et les premiers éléments opérationnels offrent des éléments de réponse en proposant de développer des formations, notamment pour limiter les risques d'atrophie cognitive, de développement d'inégalités, ou de fuite de données, et permettre des usages pertinents (notamment au sens écologique ou éthique). La maîtrise des modèles et les questions de souveraineté ont rapidement mené à proposer des infrastructures dédiées (RAGaRenn, Ilaas, partenariat avec Mistral) avec une logique de mutualisation et de communs. Le partage d'expérience permet aussi d'avancer, et d'initier des éléments de documentation. Mais cela ne permet pas encore de développer une culture de l'anticipation, et de garantir une adaptation en cas d'événements indésirables.

Une culture de la gouvernance des risques semble encore absente dans nos institutions. Des éléments apparaissent dans les conseils de gouvernance de la proposition de DemoES, sans pour autant être aboutie. Et pourtant, plusieurs crises se sont succédées : Covid, grèves au moment des examens, déficit chronique, remise en question par certains politiques (wokisme) … qui laissent nos établissements à chaque fois plus fragiles. Or cette ère de polycrise est clairement appelée à se prolonger, et sans doute à s'intensifier. Il est donc indispensable de gouverner dans cette perspective et d'anticiper ces risques dans une perspective de long terme.

Le cadre de la résilience pour les entreprises propose un cadre au niveau de l'organisation en trois étapes : anticipation, gestion et adaptation qui permet a priori de gérer des événements dits VICA (pour Volatile, Incertain, Complexe, Ambigu ou VUCA en anglais). Plus récemment le cadre de la robustesse permet d'aller au-delà de la dimension organisationnelle, pour poser la question de la santé commune des organisations, des personnes, et de l'environnement au sens large. Cette robustesse remet en question la notion de performance ou d'optimisation en posant la question de conserver des marges de manœuvre. La robustesse étant effectivement la capacité à se maintenir stable (sur le court terme) et viable (sur le long terme) malgré les fluctuations. Cette définition de la robustesse est basée sur les principes du vivant tels que : la coopération, la circularité, l'adaptabilité. Notons que le terme de fluctuations se veut plus large que la notion de risque couramment acceptée, en proposant des fluctuations au niveau plus large que le le système considéré et amenant à des points de bascule globaux. L'hypothèse étant que ces fluctuations sont maintenant possibles dans un monde de polycrise. Les pistes de solutions qui ressortent des ateliers d'études de scénarios de réponses à ces fluctuations débordent les sentiers techniques ou organisationnels classiques pour privilégier l'entraide.

Si la formation est un premier chantier évident pour minimiser les risques liés aux IA, ce premier chantier est sans doute insuffisant. Le développement d'infrastructures dédiées est important pour permettre de développer des usages pertinents, mais il serait vain d'initier des cycles de formation sans intégrer les questions géopolitiques et économiques liées aux organisations capitalistiques qui développent les IA grand publics, qui ont aussi vocation à bouleverser le monde du travail dans une perspective d'un capitalisme encore resserré, et qui ont des comportements de voyous selon Dominique Boullier, et qui s'attaquent directement à la construction et à la diffusion de la connaissance, ainsi qu'aux fondements de ce qui fait société, sans parler des impacts écologiques ;

L'enseignement supérieur et la recherche forment un écosystème en lien avec l'ensemble de la société. Il a vocation à soutenir le développement de cette société par l'éducation et la recherche. Il est donc nécessaire que les solutions proposées puissent irriguer la société : développement de l'esprit critique pour la formation, infrastructures numériques saines (réseaux sociaux et IA notamment), solutions IA plus respectueuses. La diversité des risques potentiels impose une approche interdisciplinaire, systémique, et ne permet pas d'aborder ces questions en affichant une neutralité illusoire de la science, mais nous oblige a contrario une rigueur scientifique renforcée.

La première étape est de renforcer la résilience organisationnelle de nos établissements (et donc une gestion proactive des risques). L'aborder sous l'angle de la robustesse nous poussera à aller plus loin en nous posant des questions de santé commune et de la place de l'enseignement et de la recherche dans la société, et en nous permettant de nous reconstituer pour pouvoir les aborder.

Crédit photo : Risk Factory – Stuart Caie – licence CC-by-2.0

Les 2 faces de l'environnement numérique d'apprentissage

Jean-Marie Gilliot — 2026-02-04T09:57:55Z

L'environnement numérique d'apprentissage (ENA) est avant tout un espace de médiation entre les enseignants et les étudiants/élèves/apprenants (le terme varie suivant les contextes). Dans la littérature, il est généralement abordé selon le point de vue d'un de ces deux groupes, rarement en mettant les deux en regard. Le développement de l'usage des IA génératives rappelle pourtant qu'au delà de l'Environnement Numérique proposé par les Institutions (ENI), les apprenants construisent leur propre Environnement Personnel d'Apprentissage, qui inclut maintenant cette IA générative, pour conduire leurs apprentissages selon leur propre déclinaison d'objectifs d'apprentissage.

L'Environnement Numérique Institutionnel face à l'Environnement Personnel d'Apprentissage

Le premier point de vue est celui du côté enseignant, et généralement plus largement institutionnel. Plusieurs acronymes existent, ENT pour Environnement Numérique de Travail, LMS pour Learning Management System, VLE pour Virtual Learning Environment, … Le plus célèbre est sans doute Moodle. Appelons le ici Environnement Numérique Institutionnel (ENI). La limite est souvent que si cet ENI est le cadre de l'enseignement, il n'est pas celui de l'apprentissage.

L'apprenant (je garde ce terme) mobilise différents outils pour réaliser ses apprentissages, cela va du cahier/stylo aux réseaux sociaux pour échanger avec ses pairs et d'autres personnes ressources, et peut être complété, ou pas, par des traitements de texte pour la prise de notes, des outils pour réaliser des activités : calculette, simulateur, environnement de développement informatique, un agenda, des espaces collaboratifs pour travailler en groupe, des sources comme Wikipédia, des outils de recherche, et depuis 3 ans des IA génératives. Cet ensemble d'outils, dont certains peuvent être prescrits, permet à l'apprenant de s'organiser et de transformer l'information reçue en apprentissage.

C'est l'Environnement Personnel d'Apprentissage, ou EPA.

Si il est souvent terra incognita pour l'enseignant, a pourtant fait l'objet de travaux de recherche qui nous éclairent sur différentes perspectives, en termes d'organisation des apprentissages des apprenants. Popularisé par le Web 2, il est d'abord présenté comme un environnement de services techniques appelé Environnement Personnel d'Apprentissage ou EPA, mettant en avant différents outils du Web 2 comme outils pour apprendre.

C'est donc aussi l'environnement dans lequel l'apprenant développe sa littératie numérique. L'EPA se décline alors selon plusieurs rubriques :

S'organiser, gérer ses apprentissages
Recherche d'informations, veille, curation, nourrir son réseau
Analyser, gérer l'information
Stocker l'information
Publier et partager l'information, collaborer
Gérer son identité numérique

Le développement de cet EPA est ainsi révélateur de la capacité des personnes à gérer et à développer sa capacité à conduire ses apprentissages en autonomie, et donc à développer sa capacité d'apprendre à apprendre qu'il doit acquérir en formation première et qui lui servira tout au long de la vie.

L'EPA et l'IA

Le concept d'EPA date de 2007 et a donc bientôt 20 ans. Il a permis d'imaginer de nouvelles manières d'apprendre, avec une approche sociale liée au Web. L'EPA en tant qu'objet de recherche dépasse le cadre des outils pour intégrer la représentation mentale de l'apprenant autour des ressources qu'il mobilise pour développer son projet d'apprentissage. Il permet ainsi de mieux étudier et accompagner la capacité des personnes à gérer et à développer leur capacité à conduire leurs apprentissages en autonomie. De fait, les apprentissages haut niveau : systémique, métacognitif … se déroulent majoritairement dans le cadre de l'EPA.

L'arrivée de l'IA générative grand public ajoute un nouvel outil à disposition des apprenants, qui si il est bien utilisé permet de nombreux nouveaux usages qui peuvent soutenir les apprentissages (voir par exemple ce guide d'usages, auquel vous pouvez contribuer).

Il permet également de réaliser des activités qui n'étaient pas possibles avant. La question reste évidemment de savoir si ces activités sont sources d'apprentissage, et ce de quelle nature.

L'ENI et l'IA

Si le concept d'EPA reste peu diffusé, toute personne liée à l'éducation est amenée à se connecter à un ENI. En tant qu'enseignant pour déposer ses ressources, proposer des activités, communiquer avec ses étudiants, ou les évaluer. En tant qu'administratif, pour gérer les enseignements (inscriptions, ouverture, …). En tant qu'étudiant, pour accéder aux ressources, déposer un devoir, échanger sur un forum, ou réaliser une activité.

Certains enseignants utilisent l'IA générative comme outil de productivité, pour construire des ressources, pour proposer des activités, pour préparer des évaluations (voir ce second guide d'usages à destination des enseignants, auquel vous êtes également invités à contribuer) . Pour améliorer leur interactivité, certains utilisent ces outils pour les aider dans les évaluations, ou pour proposer des chatbots qui utilisent des technologies de RAG pour répondre aux questions des étudiants en se basant sur les ressources du cours. Un des intérêts de tels chatbots est qu'ils sont spécialisés par rapport au cadre d'apprentissage visé, et qu'il est possible de régler quelle stratégie de réponse . Mais ces usages restent de l'ordre du « bricolage ». Des sociétés de la edTech tirent parti des premiers retours d'expérience, imaginent et proposent des outils intégrables à des ENI comme Moodle, avec des outils de création de ressources de toutes sortes allant jusqu'à la vidéo, d'activités pédagogiques et de chatbots basés sur le cours. L'avantage est de répondre à une demande en rendant plus facile l'adoption de ces outils et d'en systématiser l'usage dans une institution. Dans tous les cas, pour l'enseignant, l'IA reste bien un outil de productivité.

Des points de vue qui divergent entre enseignants et apprenants ?

Du fait de ces approches différentes, un outil de productivité pour l'enseignant, et plus versatile pour l'étudiant. Si l'enseignant ne considère l'IA générative que comme un outil de productivité, sa réaction naturelle sera de déconseiller son usage aux étudiants, voire de la considérer comme triche.

Mais d'un point de vue pédagogique, si l'IA générative permet effectivement de répondre à des questions plus facilement, voire sans trop réfléchir, elle permet bien d'autres usages plus intéressants en permettant des réponses adaptées au contexte, des feedbacks personnalisés …

L'enseignant peut proposer des outils adaptés dans le cadre de l'ENI, au travers de ressources plus riches et de chatbots spécialisés. Cela permet de proposer des aides bienvenues pour l'apprentissage, mais cela ne suffit pas. Première raison, l'IA générative reste un outil disponible et sans doute plus accessible pour l'étudiant, ne serait-ce que parce que son accès est à un clic, tellement plus rapide que de retrouver le bon chatbot dans l'ENI. Il faudra donc motiver l'étudiant à utiliser les outils de l'ENI. Deuxième raison, il est de toute façon illusoire de considérer que l'apprentissage des étudiants ne se fait que dans l'ENI. De fait, l'essentiel du projet d'apprentissage de l'étudiant se pense et se construit dans l'EPA, même si localement certaines activités ou certaines aides peuvent se réaliser à la frontière de ces deux environnements.

Par ailleurs, pour la motivation et pour le développement des capacités cognitives, il est nécessaire de donner à l'étudiant/apprenant un certain contrôle sur ses apprentissages. Ce contrôle se matérialise dans l'EPA.

L'enjeu pédagogique pour l'enseignant reste donc d'accompagner ses étudiants en précisant des consignes qui permettent les apprentissages visés et le développement de l'apprendre à apprendre.

Clarifier les consignes

L'enseignant, chargé de s'assurer que ses étudiants restent focalisés sur ses objectifs d'apprentissage, doit proposer des consignes sur comment réaliser ces apprentissages. L'apprenant a effectivement à sa disposition toute une panoplie d'outils, qu'il peut mobiliser. Il est possible qu'il ne connaisse pas ces outils, il est également probable qu'il utilise les mêmes outils que ses pairs. A eux tous d'apprendre à les utiliser de manière pertinente, ce qui n'est pas garanti si aucun cadre n'est proposé dans une formation.

Certains enseignants souhaitent se concentrer sur des apprentissages, disons disciplinaires. Les consignes devront être explicites sur les processus visés et les outils correspondant. D'autres enseignants peuvent également souhaiter accompagner le développement de capacités à conduire ses apprentissages en autonomie. Il pourront alors proposer des modalités tirant parti des EPA organisés par les étudiants à partir des outils à leur disposition.

Cette diversité d'approches est inhérente à toute formation, par contre elle impose à chacun de clarifier ses intentions, ses attentes et ses consignes.

En guise de conclusion

Prendre conscience que l'apprenant dispose de nombreux outils pour l'aider à apprendre, et qu'il peut les mobiliser sous forme d'un EPA pour répondre à son projet d'apprentissage, est aujourd'hui indispensable pour lui permettre d'apprendre au mieux est indispensable pour leur permettre d'acquérir les apprentissages visés, notamment ceux de l'apprendre à apprendre.

En croisant les guides d'usages, eux-mêmes basés sur des retours d'expériences et d'usages, il est intéressant de voir à quel point l'approche est divergente. Coté apprenant, cela veut dire prendre conscience de l'approche spécifique liée aux apprentissages qui diffère d'un usage plus orienté résultat.

Pour l'enseignant, cela veut également dire qu'il va falloir apprendre à considérer les IA génératives ou pas, sous trois angles :

Comme un outil de productivité dans son métier de développement de cours ;
Comme un outil parmi d'autre dans la boîte à outils de l'EPA de l'étudiant, qui pourra tirer parti d'un accompagnement pour mieux conduire ses apprentissages et développer sa littératie numérique et IA ;
Et aussi comme un outil qui change la manière de réaliser des tâches, et donc modifie la manière de manipuler les concepts d'un cours et les savoir-faire et savoir-être à développer, mais cela est un sujet.

Vaste chantier en tout cas.

Bonus :

Pour ceux qui ne l'auraient pas vue, la vidéo de Micode, La Fabrique à Idiots a séduit beaucoup de monde. Elle présente en quoi l'IA générative présente des risques d'atrophie cognitive, d'illusion d'apprentissage, et présente en quoi il est nécessaire de conserver la maîtrise des concepts mobilisés, et de développer sa métacognition. D'une grande clarté et très pédagogique.

Image : Self-Portrait, par Pierre Lognoul , licence CC-by-ND