L'intelligence artificielle dans l'enseignement primaire : une revue systématique de littérature 2020–2025

 📜🔗LIEN vers la source

Capsules Audio de Pratiques en Santé 🎙️🎥 https://www.youtube.com/watch?v=HporGsOYZ5A

1️⃣ RÉSUMÉ ANALYTIQUE

Un déploiement rapide, des conditions encore fragiles. La revue documente l'essor de l'IA dans l'enseignement primaire entre 2020 et 2025, avec une accélération nette (1 étude en 2020, 41 en 2025, p. 703). Les publics étudiés sont surtout les enseignants (43 %), puis les élèves (34 %), les groupes mixtes (19 %) et, très marginalement, les futurs enseignants (4 %, p. 702-703). Les problématiques identifiées sont récurrentes : compétences numériques inégales des enseignants (AI-TPACK), inégalités d'infrastructure, et préoccupations éthiques sur la transparence, les biais et la gouvernance des données. Le fil conducteur : l'IA n'est ni salvatrice ni menaçante en soi, mais dépend des conditions humaines et institutionnelles de son intégration.

Ce que la recherche valide comme apports opérationnels. L'IA produit ses meilleurs effets quand elle personnalise le feedback et l'entraînement, étaye le questionnement et la pensée computationnelle, et augmente la décision enseignante via l'analyse d'apprentissage (analytics). Gains rapportés : fluidité de lecture, résolution de problèmes, motivation, participation de publics variés. Le résultat le plus robuste et le plus transférable est le principe du « human-in-the-loop » (humain dans la boucle) : les effets durables émergent lorsque le professionnel interprète et modère ce que produit l'IA. La revue conclut que l'équité doit être un choix de conception dès le départ (equity-by-design), pas un correctif ajouté ensuite.

2️⃣ POINTS CLÉS DU DOCUMENT

1️⃣ Le principe « humain dans la boucle » est le facteur de réussite le plus constant. À travers les études, les résultats durables apparaissent quand l'enseignant interprète et régule les productions de l'IA plutôt que de les déléguer (p. 706, 708, 714). Une comparaison directe montre que les tuteurs humains obtiennent le double des gains d'apprentissage des agents IA sur des tâches d'arithmétique (Anton et al., 2025, p. 706).

2️⃣ L'IA « débranchée » et à bas coût peut réduire les inégalités. Au Brésil, le programme AIED « Unplugged » a touché plus de 8 000 écoles et 160 000 élèves, avec des gains d'écriture comparables en zones rurales et urbaines, sans dépendance à Internet (Portela et al., p. 706). C'est un contre-argument fort à l'idée qu'équité rime avec sophistication technique.

3️⃣ La compétence enseignante est de l'ordre de l'orchestration, pas de la maîtrise technique. La revue formalise trois niveaux : la « fluence IA avec garde-fous » (humilité épistémique : savoir où l'IA se trompe), l'« orchestration de classe » (savoir quand déléguer, quand reprendre la main) et la « conception pour l'équité » (p. 714).

4️⃣ Les cadres nationaux structurent l'appropriation. Exemple documenté : la Chine a défini un curriculum national de 90 concepts d'IA et 63 indicateurs d'apprentissage (Song et al., 2023, p. 706). Des instruments de mesure validés (échelle AI-TPACK, échelle de littératie AILST) permettent de diagnostiquer les compétences et de cibler la formation (p. 709, 711).

5️⃣ Les limites récurrentes sont éthiques et développementales, pas seulement techniques. Les grands modèles de langage génèrent un raisonnement plausible mais parfois faux, inadapté à la maturité cognitive des enfants (Getenet, 2024, p. 708, 712) ; les enjeux de consentement, de minimisation des données et de transparence restent non résolus, en particulier avec les capteurs et classes « intelligentes » (p. 710, 712).

3️⃣ PISTES D'ACTION POUR LES ACTEURS LOCAUX

1️⃣ Instaurer une règle « humain dans la boucle » avant tout déploiement d'outil IA auprès d'un public : définir explicitement qui interprète, valide et corrige les productions automatisées (principe validé p. 706-714). Transférable à tout dispositif de feedback ou de profilage d'usagers.

2️⃣ Privilégier les solutions à bas coût, hors-ligne et adaptées au contexte plutôt que les dispositifs « haut de gamme » là où les ressources et la connectivité sont limitées (modèle Unplugged, p. 706-707). Un principe directement pertinent en médico-social et en santé communautaire.

3️⃣ Faire de la formation un préalable, pas un accompagnement optionnel : la revue documente qu'un dispositif de développement professionnel structuré (ex. formation de 75 h fondée sur le cadre TPACK, Sun et al., 2023, p. 707-708) améliore significativement la compétence et la confiance des professionnels.

4️⃣ Diagnostiquer les compétences avant de former en s'appuyant sur des grilles validées (type AI-TPACK, AILST) pour cibler les besoins réels plutôt que de former « au hasard » (p. 709, 711, 715).

5️⃣ Intégrer le consentement et la protection des données dès la conception (consent-by-design, minimisation, documentation des flux de données), en associant les publics et les familles aux décisions sur l'usage des données (p. 710, 712, 716).

6️⃣ Enseigner explicitement l'esprit critique face à l'IA : apprendre aux publics à repérer les productions erronées et à contextualiser les sorties automatisées, pour transformer la dépendance en apprentissage réflexif (p. 706, 712). Besoin non couvert identifié : la revue signale que la préparation des (futurs) professionnels reste très sous-explorée (4 % des études, p. 703) — un angle mort à combler localement par du tutorat et de la pratique accompagnée.

4️⃣ RÉFÉRENCES COMPLÉMENTAIRES

Livre Blanc : Éduquer à l’IA dès l’école : un plan d’urgence - Version 1  - https://www.pratiquesensante.com/blog/actualites-17/livre-blanc-eduquer-a-l-ia-des-l-ecole-un-plan-d-urgence-version-1-6063

1️⃣ Ministère de l'Éducation nationale — Le cadre d'usage de l'intelligence artificielle en éducation (juin 2025). Cadre officiel français encadrant les usages pédagogiques et administratifs des IA génératives (RGPD, loi SREN, règlement européen sur l'IA). Complémentaire au volet gouvernance/données/consentement de la revue. 🔗 https://www.education.gouv.fr/sites/default/files/2025-06/l-ia-en-ducation---cadre-d-usage-440685.pdf

2️⃣ IGÉSR — L'intelligence artificielle dans les établissements scolaires (mai 2025). État des lieux de terrain (enquête auprès de 4 943 enseignants, 1er et 2nd degrés), 10 recommandations centrées sur le manque de formation et l'équité. Écho direct au constat de la revue sur la préparation professionnelle et les inégalités. 🔗 https://www.education.gouv.fr/igesr/l-intelligence-artificielle-dans-les-etablissements-scolaires-465627

3️⃣ UNESCO — Référentiels de compétences en IA pour les élèves et les enseignants (2024-2025). Référentiels internationaux, disponibles en français, structurant la littératie et les compétences en IA. Complémentaire au cœur « AI literacy / AI-TPACK » de la revue. 🔗 https://www.unesco.org/fr/digital-education/artificial-intelligence

5️⃣ FOIRE AUX QUESTIONS (FAQ)

1️⃣ L'IA améliore-t-elle réellement les apprentissages ?

Oui, mais sous conditions : gains rapportés en lecture, résolution de problèmes, motivation, quand l'intervention est adaptée à l'âge, guidée par le professionnel et ajustée au contexte (p. 705-706).

2️⃣ L'IA peut-elle remplacer l'enseignant ou l'accompagnant ?

Non. Les tuteurs humains surpassent encore l'IA sur l'empathie et les signaux multimodaux (geste, regard) ; sur l'arithmétique, ils obtiennent le double des gains (Anton et al., 2025, p. 706, 712).

3️⃣ Faut-il des équipements coûteux pour que l'IA soit utile ?

Non. Les approches à bas coût et hors-ligne fonctionnent à grande échelle et réduisent les inégalités (Portela et al., p. 706-707).

4️⃣ Quels sont les principaux risques éthiques ?

Biais algorithmiques, opacité, atteintes à la vie privée, consentement inadapté aux enfants, et productions plausibles mais fausses des modèles génératifs (p. 706, 708, 710, 712).

5️⃣ Comment préparer les professionnels ?

Par un développement professionnel structuré combinant AI-TPACK, littératie d'évaluation et éthique des données ; la pratique accompagnée reste le meilleur prédicteur de confiance (Batubara et al., 2025 ; Sun et al., 2023, p. 708, 713).

6️⃣ L'IA est-elle adaptée aux publics à besoins spécifiques ?

Elle montre un potentiel réel (jeux en langue des signes, robotique sans code, profilage d'apprentissage), à condition d'un cadre institutionnel et de garde-fous éthiques (p. 706, 709-710).

7️⃣ Comment savoir si un outil est fiable avant de l'adopter ?

Vérifier : alignement pédagogique, transparence du fonctionnement, calibration développementale, et existence d'une supervision humaine. Sans ces conditions, la revue recommande la prudence (p. 712).

6️⃣ RÉÉCRITURE EN FALC

De quoi parle ce document ?

Ce document étudie l'intelligence artificielle (IA) à l'école primaire.

L'IA, c'est un outil informatique qui aide à apprendre.

Les chercheuses ont lu 94 études faites entre 2020 et 2025.

Ce qu'elles ont trouvé de bien :

• L'IA peut aider les enfants à mieux lire et à mieux calculer.
• L'IA peut donner envie d'apprendre.
• L'IA marche même sans Internet et sans matériel cher.
• Cela aide les écoles qui ont peu d'argent.

Le point le plus important :

• L'IA marche bien quand un adulte reste présent.
• L'adulte vérifie ce que dit la machine.
• L'adulte corrige quand la machine se trompe.
• La machine ne remplace pas l'enseignant.

Ce qui pose problème :

• Beaucoup d'adultes ne sont pas assez formés.
• L'IA peut se tromper. Parfois elle donne de fausses réponses.
• L'IA peut poser des problèmes de vie privée.
• Il faut protéger les données des enfants.

Ce qu'il faut faire :

• Former les adultes avant d'utiliser l'IA.
• Choisir des outils simples et pas chers.
• Toujours garder un adulte qui décide.
• Apprendre aux enfants à ne pas tout croire.

7️⃣ ANALYSE TRANSVERSALE — VALEURS DE PRATIQUES EN SANTÉ

• Littératie : oui — la revue place la littératie en IA au cœur du sujet et cite des référentiels et échelles gradués (AILST) adaptés à des niveaux variés (p. 709-711).
• Empowerment : les bénéficiaires sont impliqués surtout via des dispositifs de co-conception (co-design d'unités pédagogiques) et l'appel à associer élèves et familles aux normes d'usage (p. 707, 716).
• Participation : plusieurs mécanismes de co-construction sont décrits (co-design enseignant-chercheur, collaboration école-université), mais restent minoritaires dans le corpus (p. 707, 709).
• Santé communautaire : la dimension collective apparaît via des modèles « famille-école-société » et des projets ancrés en communauté rurale (Xia et al., 2025 ; Wang et al., 2025, p. 709-711).
• Éthique : oui — biais culturels et sociaux explicitement identifiés (reproduction de biais de genre, d'origine, de statut) et traités comme condition, pas comme option (p. 710, 712).
• Droits humains : l'approche revendique l'équité et l'inclusion comme principes structurants (equity-by-design), avec attention aux publics à besoins spécifiques et multilingues (p. 710, 716).
• Intersectorialité : partenariats recommandés entre enseignants, chercheurs, décideurs, entreprises et communautés (p. 710, 715).
• Partenariat : des modèles de collaboration sont formalisés (recherche-pratique, école-université, linkage famille-école-société), sans standardisation entre contextes (p. 709-710, 716).
• Lutte contre les discriminations : oui — le document alerte sur le risque que l'IA « creuse les fractures » (accès inégal, biais) et sur la nécessité de solutions culturellement adaptées et à faible bande passante (p. 710, 714).

8️⃣ ÉVALUATION DE LA FIABILITÉ DE LA RESSOURCE

Pertinence scientifique — élevée. Méthodologie transparente et réplicable (PRISMA 2020), corpus important (94 études sur 831 records), double codage avec accord inter-juges fort (Cohen's κ = 0,82, p. 701), données très actuelles (jusqu'en 2025). Limites reconnues honnêtement par les auteures : restriction à l'anglais, surreprésentation des pays à revenu élevé, petits échantillons et durées courtes limitant la robustesse causale, absence de méta-analyse (synthèse narrative/thématique uniquement, p. 700-702).

Pertinence opérationnelle — indirecte. Le document ne fournit pas d'outil clé en main ; sa valeur est stratégique (grille de discernement, points de vigilance validés). Pour des acteurs hors éducation, la transposition exige un travail d'adaptation.

⚠️ Incohérences internes relevées (signalées, non corrigées) :

• Dates de citation divergentes. Portela et al. est cité « 2024 » dans le texte (p. 706, 707, 714) mais daté « 2025 » dans la bibliographie. Dahal et al. apparaît en « 2025 » (p. 709) et « 2024 » (p. 711), la référence portant 2025 pour une conférence FIE 2024.
• Attribution flottante du curriculum chinois des 90 concepts : « Song et al., 2023 » (p. 706) puis « Song et al., 2025 » (p. 708) — deux références Song coexistent, l'attribution du référentiel spécifique varie.
• Tension chronologique notable. L'article est « reçu en février 2025 » (p. 697) mais intègre 41 études de 2025 (Fig. 2, p. 703), dont certaines publiées en novembre 2025 (Pyżalski). Cette inclusion suppose une révision non datée postérieure à la soumission initiale.
• Comptages non additifs : ~60 + ~70 + ~55 + 36 études dépassent les 94 du corpus — cela est explicitement justifié par le chevauchement des catégories (note de bas de page, p. 705), donc cohérent mais à ne pas additionner.
• DOI incomplet (« 10.15388/infedu.2025.24 », sans suffixe d'article) et variantes orthographiques de noms (Kızıltas/Kiziltas, Pyżalski/Pyzalski).

Globalement : source fiable et rigoureuse, dont les quelques incohérences bibliographiques n'entament pas les conclusions de fond.

9️⃣ HASHTAGS STRATÉGIQUES

#pratiquesensante #IAetÉducation #LittératieNumérique #ÉquitéNumérique #ÉthiqueIA #DéveloppementProfessionnel #InclusionNumérique #HumanInTheLoop