flowchart TB
A[Outil IA] --> B[Gain de performance]
A --> C[Feedback rapide]
A --> D[Personnalisation]
B --> E{Finalite explicite ?}
C --> E
D --> E
E -->|Non| F[Optimisation des indicateurs]
F --> G[Score]
F --> H[Completion]
F --> I[Conformite]
E -->|Oui| J[Formation du sujet]
J --> K[Enquete]
J --> L[Jugement]
J --> M[Responsabilite]
J --> N[Deliberation]
Chapitre 4 : Former des sujets ou optimiser des performances ?
Subjectivation, gouvernement algorithmique, réversibilité et jugement professionnel
Comment intégrer l’IA dans l’enseignement supérieur sans réduire l’étudiant à une unité de performance pilotable, et sans renoncer à former des sujets capables de jugement, d’autonomie et de responsabilité ?
Mots-clés
Finalités éducatives Sujet apprenant Performance Autonomie Subjectivation Capabilités Datafication Souveraineté des données Modèles open-source locaux Gouvernement algorithmique Nudges Hétéronomie douce Redlining numérique Learnification Jugement professionnel Choisir sans subir
Ce chapitre prolonge les trois précédents chapitres en vous aidant à :
- Passer de la question comment apprend-on avec l’IA ? à la question pour quoi forme-t-on avec l’IA ? ;
- Relier activité cognitive, illusion de compréhension, dette cognitive et preuves de compétence aux finalités de l’enseignement supérieur ;
- Distinguer autonomie intellectuelle et autonomie procédurale pilotée par des indicateurs ;
- Repérer les risques de datafication, de profilage, de redlining numérique et d’hétéronomie douce ;
- Analyser une innovation technologique à partir de critères pédagogiques, éthiques, institutionnels et architecturaux ;
- Intégrer la souveraineté des données et les modèles open-source locaux dans les arbitrages ;
- Construire des arbitrages : quand dire oui, quand dire non, et comment rendre ce choix pédagogiquement défendable.
Repères essentiels
Ces sept notions permettent d’entrer dans le chapitre sans interrompre la progression. Le glossaire complet est proposé après la conclusion.
| Notion | Définition courte | Question pédagogique associée |
|---|---|---|
Finalités éducatives |
Raisons profondes pour lesquelles on enseigne : former, qualifier, émanciper, socialiser, rendre capable d’agir. | Quel humain voulons-nous former avec ou malgré l’IA ? |
Performance |
Résultat visible, mesurable ou comparatif d’une activité. | La performance observée renseigne-t-elle vraiment sur l’apprentissage ou la compétence ? |
Optimisation |
Recherche d’une amélioration mesurable : temps, score, taux de réussite, complétion, productivité. | Ce qui est optimisé correspond-il à ce qui est éducativement important ? |
Sujet apprenant |
Étudiant reconnu comme personne capable de sens, de choix, de doute, d’interprétation et de responsabilité. | Le dispositif laisse-t-il une place à la parole, au jugement et à l’initiative ? |
Subjectivation |
Processus par lequel l’étudiant advient comme sujet singulier, capable d’agir et de répondre dans un monde commun. | L’activité forme-t-elle seulement des compétences ou aussi une position de sujet ? |
Learnification |
Réduction de l’éducation à des apprentissages individualisés, mesurables et pilotables, au détriment des finalités politiques et existentielles. | Parle-t-on encore d’éducation ou seulement de gestion de l’apprentissage ? |
Autonomie procédurale |
Capacité à gérer ses tâches, suivre des objectifs, optimiser son temps et répondre à des indicateurs. | L’étudiant devient-il plus libre ou seulement plus efficace dans un cadre prescrit ? |
Introduction
Les chapitres précédents ont construit une progression :
- 1 : distinguer accès au contenu et apprentissage construit ;
- 2 : repérer l’apparence de raisonnement produite par l’IA générative ;
- 3 : déjouer les illusions liées à l’abondance numérique.
Le chapitre 4 franchit une étape supplémentaire : il ne demande plus seulement comment éviter les illusions d’apprentissage, mais quelle finalité éducative préserver lorsque l’IA promet d’optimiser les performances.
Il déplace donc légèrement le regard. Jusqu’ici, l’analyse portait principalement sur l’IA générative comme outil de production, d’assistance ou de raisonnement apparent. Mais l’IA s’invite aussi, de manière plus diffuse, dans les outils professionnels et étudiants : plateformes pédagogiques, tableaux de bord, recommandations, assistants intégrés, outils de suivi ou systèmes d’aide à la décision. La question n’est alors plus seulement : que produit l’IA ? Elle devient aussi : cet outil fondé sur un fonctionnement IA est-il utile ? Apporte-t-il une réelle plus-value pédagogique ? Que transforme-t-il dans les choix, les responsabilités et les marges d’autonomie ? Ce changement d’échelle et de type d’IA oblige à interroger non seulement les usages visibles, mais aussi les logiques de pilotage incorporées dans les environnements de travail et d’apprentissage.
Les dispositifs concernés :
- tableaux de bord ;
- recommandations ;
- agents conversationnels ;
- learning analytics ;
- plateformes adaptatives ;
- architectures de choix.
Ils peuvent aider, mais ils peuvent aussi réorganiser la pédagogie autour de ce qui est mesurable, prédictible et standardisable.
Centre de gravité du chapitre : déplacer l’analyse de l’outil vers les finalités éducatives : autonomie, subjectivation, capabilités, responsabilité, jugement professionnel et capacité de dire non.
Continuité avec les chapitres 1, 2 et 3
| Acquis précédents | Prolongement dans le chapitre 4 |
|---|---|
| Une activité pédagogique ne garantit pas une activité cognitive. | Un dispositif technologique ne garantit pas une finalité éducative. |
| Une production visible ne prouve pas toujours une compréhension. | Une performance mesurée ne prouve pas toujours une formation du sujet. |
| L’IA peut produire une illusion de raisonnement. | Les plateformes peuvent produire une illusion de pilotage pédagogique. |
| L’abondance numérique exige vigilance épistémique et métacognition. | Le gouvernement algorithmique exige vigilance institutionnelle, éthique et politique. |
| Les preuves de compétence doivent montrer justification et transfert. | Les preuves de formation doivent aussi montrer autonomie, jugement, responsabilité et capacité de désaccord. |
| L’approche par compétences valorise la mobilisation située de ressources. | L’approche par les capabilités demande si les étudiants disposent réellement du pouvoir d’apprendre, d’agir et de contester. |
Le parcours en trois mouvements
| Mouvement | Intention pédagogique |
|---|---|
| 1 - Finalites éducatives et subjectivation | Décider si l’on forme des sujets apprenants ou si l’on optimise des indicateurs de performance. |
| 2 - Gouvernement algorithmique et hétéronomie | Comprendre comment l’autonomie des étudiants est pilotée par la datafication et les nudges. |
| 3 - Jugement professionnel et réversibilité | Choisir et innover pédagogiquement à l’ère de l’IA sans subir la technologie. |
Activité : Auto-test de sensibilisation
1 - Finalités éducatives et subjectivation : devons-nous former des sujets apprenants ou optimiser des indicateurs de performance ?
🟢 Essentiel 🔵 Approfondissement
Dans ce chapitre, vous allez :
| Comprendre | Repérer | Agir |
|---|---|---|
| Pourquoi la question de l’IA est d’abord une question de finalités éducatives. | Les moments où la performance mesurable remplace silencieusement la formation du sujet. | Reformuler une décision technologique en termes de finalités, pas seulement d’efficacité. |
Situation ESR
Un établissement souhaite déployer une plateforme d’IA pour améliorer la réussite étudiante. Le tableau de bord promet de repérer les étudiants à risque, recommander des ressources, automatiser des rappels et mesurer la progression. Les indicateurs sont clairs, les graphiques convaincants, les gains annoncés importants. Mais une question reste peu discutée : quelles dimensions de la formation deviennent invisibles si l’on ne regarde que ce qui se mesure facilement ?
Quand la question technique devient éducative
Une technologie éducative n’est jamais seulement un moyen. Elle transporte une représentation de l’apprentissage, de l’étudiant et de ce qui mérite d’être mesuré.
| Question technique | Question éducative réelle | Risque si elle reste implicite |
|---|---|---|
| Quel outil choisir ? | Quelle finalité voulons-nous servir ? | Confondre innovation et formation. |
| Quelles données suivre ? | Que devient invisible ? | Réduire l’étudiant à un indicateur. |
| Que peut-on automatiser ? | Quelle compétence faut-il protéger ? | Supprimer l’effort formateur. |
Ce déplacement prolonge les chapitres précédents : la fluidité d’une production pouvait masquer une compréhension fragile ; la clarté d’un indicateur peut masquer une formation incomplète.
Les quatre piliers de Delors à l’épreuve de l’IA
Le rapport Delors (1996) proposait quatre piliers : apprendre à connaître, apprendre à faire, apprendre à vivre ensemble, apprendre à être. Ils retrouvent une actualité forte à l’ère de l’IA.
| Pilier | Tension introduite par l’IA | Exigence pédagogique |
|---|---|---|
| Apprendre à connaître | L’accès et la synthèse automatisée peuvent remplacer l’enquête. | Maintenir la recherche, la vérification et la construction de sens. |
| Apprendre à faire | L’outil peut produire à la place de l’étudiant. | Distinguer assistance, automatisation et compétence autonome. |
| Apprendre à vivre ensemble | La personnalisation peut isoler les trajectoires. | Préserver la coopération, la confrontation des points de vue et la construction de repères communs. |
| Apprendre à être | Le profilage et la recommandation peuvent orienter les conduites. | Former jugement, responsabilité, sensibilité et autonomie. |
Ces piliers empêchent une lecture purement instrumentale de l’IA. Ils rappellent que l’éducation ne vise pas seulement l’efficacité individuelle. Elle vise aussi la construction d’un sujet capable de vivre, penser et agir dans un monde commun.
Dewey et Freire : l’IA comme enquête ou comme dépôt
Chez Dewey, l’apprentissage se construit par l’expérience, l’enquête et la reconstruction active. Une IA peut soutenir cette logique si elle devient un élément d’un environnement d’investigation : simuler, proposer des hypothèses, fournir des contre-exemples, aider à tester une idée. Elle devient problématique lorsqu’elle ferme l’enquête en livrant une réponse prémâchée.
Chez Freire, la critique du modèle bancaire de l’éducation aide à comprendre un autre risque. Si l’IA dépose des contenus structurés dans l’esprit de l’étudiant, si l’étudiant consomme une réponse sans la questionner, alors l’outil réactive une pédagogie de la réception passive. À l’inverse, l’IA peut devenir objet de dialogue critique : pourquoi cette réponse ? depuis quelles sources ? avec quelles omissions ? au service de quelle vision du monde ?
Le point commun est clair : l’IA n’est émancipatrice que si elle maintient les étudiants dans une position d’enquêteurs, d’interprètes et de co-auteurs. Elle cesse de l’être lorsqu’elle réduit leur activité à sélectionner, valider ou optimiser des réponses déjà configurées.
Essentiel : performance, compétence, subjectivation
| Niveau | Ce que l’on observe | Ce qui reste à vérifier |
|---|---|---|
Performance |
Score, rendu, rapidité, complétion, conformité. | Le résultat correspond-il à une compréhension durable ? |
| Compétence | Mobilisation située de ressources, justification, transfert. | L’étudiant peut-il agir avec discernement dans un contexte nouveau ? |
Subjectivation |
Prise de position, responsabilité, capacité de dire je, nous ou non. | L’étudiant devient-il auteur de son rapport au savoir et à la technique ? |
Point clé : l’IA peut améliorer la performance sans former le sujet. Une pédagogie exigeante doit donc demander : qu’est-ce qui progresse vraiment ?
Carte : performance visible et formation du sujet
Approfondissement : capabilités et liberté réelle
L’approche par les capabilités déplace la question de l’accès vers celle de la conversion réelle. Deux étudiants peuvent avoir accès au même outil IA sans disposer des mêmes possibilités d’en faire un usage émancipateur. L’un saura cadrer une question, contester une réponse, vérifier une source et défendre un choix. L’autre suivra la recommandation faute de critères, de temps, de confiance ou de capital scolaire.
Une IA éducative réellement centrée humain ne se définit donc pas seulement par son ergonomie ou sa performance. Elle doit augmenter les libertés réelles d’apprendre, de comprendre, de choisir, de coopérer et de contester.
2 - Gouvernement algorithmique et hétéronomie : comment l’autonomie des étudiants est-elle pilotée par la datafication et les nudges ?
🟢 Essentiel 🔵 Approfondissement
Dans ce chapitre, vous allez :
| Comprendre | Repérer | Agir |
|---|---|---|
| Pourquoi la personnalisation et les tableaux de bord peuvent soutenir ou réduire l’autonomie. | Les situations où l’étudiant devient réactif à des métriques plutôt qu’auteur de ses choix. | Introduire des moments de recul, de contestation et de justification face aux recommandations. |
Situation ESR
Sur la page d’accueil d’un cours en ligne, un étudiant découvre un tableau de bord personnalisé : une barre de progression indique son pourcentage d’avancement, des notifications colorées rappellent les « tâches urgentes à valider » avant minuit, et un algorithme lui suggère automatiquement les chapitres à réviser en priorité selon ses derniers quiz.
Pour l’équipe pédagogique, un tel dispositif est particulièrement tentant car il promet de remédier à l’hétérogénéité des amphis et de maintenir l’engagement des étudiants sans alourdir la charge d’accompagnement individuel.
Pour l’équipe pédagogique, le système est un outil précieux de pilotage qui réduit le décrochage. Mais du côté des étudiants, le rapport au savoir se transforme imperceptiblement : on ne choisit plus un parcours par curiosité intellectuelle ou par identification d’une difficulté personnelle, on « coche les cases » vertes dictées par l’interface pour maximiser son score. Le dispositif organise efficacement le flux de travail, mais il commence à remplacer le choix de l’étudiant par l’optimisation d’un parcours standardisé..
L’ambiguïté de l’autonomie
L’autonomie est un mot consensuel. Tout le monde souhaite former des étudiants autonomes. Mais les dispositifs d’IA éducative peuvent déplacer son sens. Dans une perspective forte, l’autonomie désigne une capacité de jugement : prendre distance, interpréter, décider, argumenter, résister à une pression ou assumer une incertitude. Dans une perspective plus procédurale, elle désigne la capacité à se gérer efficacement : suivre des objectifs, respecter un rythme, corriger ses écarts, optimiser ses indicateurs.
Ces deux formes ne sont pas équivalentes. Un étudiant peut devenir très efficace dans un environnement piloté sans développer une autonomie intellectuelle robuste.Il peut suivre les alertes, remplir les attendus, valider les étapes et améliorer ses scores, tout en perdant progressivement l’habitude de se demander : pourquoi cette tâche ? selon quels critères ? au service de quel apprentissage ? puis-je choisir autrement ?
L’enjeu n’est pas d’opposer guidage et autonomie. Tout apprentissage a besoin de guidage. L’enjeu est de distinguer le guidage qui rend capable d’agir de celui qui rend dépendant d’un pilotage invisible.
Gouvernement algorithmique et perte progressive d’autonomie
Le gouvernement algorithmique n’agit pas nécessairement par contrainte. Il agit souvent par l’organisation de l’environnement : ce qui est recommandé, mis en avant, notifié, comparé, rendu urgent ou valorisé. L’étudiant reste libre en apparence, mais ses choix s’effectuent dans une architecture déjà orientée.
Les nudges éducatifs peuvent être utiles : rappeler une échéance, suggérer une ressource, encourager une reprise espacée, signaler une baisse d’activité. Mais ils deviennent problématiques lorsqu’ils installent une norme invisible du bon étudiant : connecté, réactif, régulier, mesurable, disponible, continuellement améliorable.
Cette perte progressive d’autonomie est d’autant plus difficile à repérer qu’elle prend la forme de l’aide. Plus l’interface est fluide et facilite les choix, moins l’étudiant peut percevoir la manière dont elle oriente son raisonnement. Le chapitre 3 montrait que la fluidité peut produire une illusion de savoir ; ici, elle peut aussi produire une illusion d’autonomie.
Datafication et redlining numérique
Les learning analytics transforment des comportements en données : clics, temps passé, rythme de connexion, complétion, erreurs, trajectoires, comparaisons. Ces données peuvent aider à repérer certains besoins. Mais elles peuvent aussi produire des profils qui orientent le regard pédagogique avant même la rencontre avec l’étudiant.
Le risque de redlining numérique apparaît lorsque ces profils limitent les opportunités : recommandations plus pauvres, attentes réduites, surveillance accrue, catégorisation durable, trajectoires prédictives. L’étudiant n’est plus seulement accompagné à partir de ses traces ; il peut être enfermé par elles.
Ce point est particulièrement sensible dans l’enseignement supérieur. Une pédagogie équitable ne consiste pas à donner le même outil à tous. Elle consiste à vérifier si chaque étudiant dispose des capabilités nécessaires pour convertir cet outil en pouvoir réel d’apprendre.
Essentiel : autonomie forte et autonomie appauvrie
Autonomie procédurale |
Autonomie intellectuelle |
|---|---|
| Suivre un parcours recommandé. | Comprendre et discuter le parcours proposé. |
| Optimiser ses scores. | Interpréter ce que les scores montrent et ne montrent pas. |
| Répondre aux notifications. | Décider quand une notification est pertinente ou non. |
| Utiliser efficacement l’IA. | Cadrer, vérifier, limiter ou refuser l’IA. |
| Gérer son temps selon les indicateurs. | Relier son effort à un projet de compréhension et d’action. |
Point clé : un étudiant bien piloté n’est pas nécessairement un étudiant autonome. L’autonomie éducative suppose la possibilité de comprendre, d’interpréter et parfois de désobéir à la recommandation.
Carte : du guidage utile au pilotage invisible
flowchart TB
A[Dispositif adaptatif] --> B[Donnees]
B --> C[Tableau de bord]
B --> D[Recommandations]
B --> E[Notifications]
C --> F{Appropriation critique ?}
D --> F
E --> F
F -->|Oui| G[Guidage capacitant]
G --> H[Comprendre les criteres]
G --> I[Choisir avec recul]
G --> J[Contester si necessaire]
F -->|Non| K[Pilotage invisible]
K --> L[Optimiser les scores]
K --> M[Suivre sans comprendre]
K --> N[Interieuriser les metriques]
Approfondissement : IA générative et pilotage de la pensée
Les systèmes adaptatifs pilotaient surtout les parcours : ordre des exercices, rappels, progression. Les IA génératives interviennent plus directement sur la production symbolique : formulation d’une idée, structuration d’un argument, ton, style, plan, problématisation, synthèse.
Le seuil est important. Le risque n’est plus seulement que l’étudiant suive un parcours recommandé. Il peut aussi reprendre une manière de penser, d’argumenter ou d’écrire statistiquement probable. La vigilance porte alors sur l’homogénéisation des voix, la réduction de la conflictualité, l’appauvrissement des questions et la délégation de l’arbitrage intellectuel.
Un usage formatif doit donc prévoir un retrait progressif de l’assistance : l’IA comme échafaudage temporaire, non comme prothèse permanente.
3 - Jugement professionnel et réversibilité : comment choisir et innover pédagogiquement à l’ère de l’IA sans subir la technologie ?
🟢 Essentiel 🟡 Recommandé 🔵 Approfondissement
Dans ce chapitre, vous allez :
| Comprendre | Repérer | Agir |
|---|---|---|
| Pourquoi choisir un outil est un acte de jugement professionnel, pas une simple mise à jour technique. | Les pièges de l’innovation : effet de mode, empilement, promesses, biais de mesurabilité. | Utiliser une grille d’arbitrage pour adopter, adapter, limiter ou refuser un outil. |
Situation ESR
Un nouvel outil IA est recommandé dans une formation. Il promet de gagner du temps, personnaliser les feedbacks et améliorer l’engagement. Plusieurs collègues l’adoptent rapidement. D’autres hésitent, mais se sentent en retard. La discussion porte surtout sur les fonctionnalités. Peu de temps est consacré à la question pédagogique : quel problème précis l’outil résout-il, et à quel coût ?
Le sentiment de retard technologique
L’accélération des outils crée une pression particulière sur les enseignants. Chaque semaine semble apporter une nouvelle plateforme, un nouveau modèle, une nouvelle fonctionnalité ou une nouvelle injonction à innover. Cette situation peut produire une confusion : ne pas adopter immédiatement un outil serait être en retard pédagogiquement.
Or le retard technologique n’est pas nécessairement un retard pédagogique. Enseigner suppose de choisir en fonction d’un public, d’une discipline, d’une finalité, d’une contrainte et d’un effet attendu. La compétence centrale n’est donc pas de tout tester, mais de discerner ce qui sert réellement l’apprentissage.
Les pièges ordinaires de l’innovation
Plusieurs pièges reviennent lorsque la décision part de l’outil plutôt que du problème pédagogique.
| Piège | Forme observable | Question à poser |
|---|---|---|
| Solutionnisme | L’outil est présenté comme réponse à un problème humain complexe. | Le problème relève-t-il vraiment d’un outil ? |
| Effet de mode | Adoption parce que l’outil symbolise la modernité. | Quelle preuve locale de pertinence avons-nous ? |
| Empilement | Multiplication des plateformes et interfaces. | Quel coût attentionnel pour les étudiants ? |
| Biais de mesurabilité | Les clics, connexions ou scores guident la décision. | Que ne mesurons-nous pas ? |
| Décharge cognitive excessive | L’outil fait à la place de l’étudiant. | Quelle compétence risque de ne plus être exercée ? |
| Dépendance | Quitter l’outil devient coûteux ou impossible. | Le choix est-il réversible ? |
IA : soutien utile ou substitution problématique ?
L’IA est pertinente lorsqu’elle soutient le travail intellectuel sans le remplacer durablement : reformuler une consigne, proposer des variantes, soutenir l’accessibilité linguistique, fournir un feedback intermédiaire, générer un contre-exemple, aider à comparer des pistes.
Elle devient problématique lorsqu’elle prend en charge les opérations que la formation vise justement à développer : problématiser, hiérarchiser, argumenter, interpréter, décider, assumer une responsabilité. Dans ce cas, le gain immédiat peut produire une dette cognitive, épistémique ou politique : on gagne du temps, mais on perd l’occasion de former le jugement.
Souveraineté des données : l’alternative technique à ne pas oublier
Pour un public d’ingénierie, la critique des plateformes ne suffit pas. Si l’on dénonce l’hétéronomie algorithmique, il faut aussi ouvrir l’espace des choix techniques : modèles open-source exécutés localement, serveurs institutionnels, solutions hors-ligne, anonymisation, cloisonnement des usages ou architecture hybride.
flowchart LR
A[Usage IA envisagé] --> B{Données sensibles ?}
B -->|Oui| C[Local ou infrastructure institutionnelle]
B -->|Non| D{Valeur pédagogique d une plateforme externe ?}
C --> E[Modèle open-source local]
C --> F[Serveur maîtrisé]
D -->|Forte| G[Plateforme externe cadrée]
D -->|Faible| H[Solution simple ou non-usage]
E --> I[Souveraineté]
F --> I
G --> J[Contrat, traces, réversibilité]
H --> K[Sobriété technique]
| Option technique | Intérêt pédagogique | Point de vigilance |
|---|---|---|
| Modèle local hors-ligne | Tester, comparer, prototyper sans exposer de données étudiantes. | Performance variable, maintenance, compétences matérielles. |
| Serveur institutionnel | Mutualiser un cadre maîtrisé pour des usages récurrents. | Gouvernance, coûts, mises à jour, responsabilité. |
| Plateforme externe | Accès rapide à des modèles performants et ergonomiques. | Données, dépendance, opacité, conditions contractuelles. |
Architecture hybride |
Adapter le niveau de risque à la tâche. | Exiger une cartographie claire des usages. |
ImportantRepère de décision
Plus les données sont sensibles ou pédagogiquement situées, plus l’option locale, institutionnelle ou hors-ligne doit être étudiée avant de recourir à une plateforme externe.
Essentiel : sept questions avant d’adopter un outil
| Question | Pourquoi elle compte |
|---|---|
| Quel problème précis voulons-nous résoudre ? | Éviter de choisir un outil avant d’avoir formulé le besoin. |
| Quelle activité cognitive voulons-nous soutenir ? | Relier l’outil à l’apprentissage, pas seulement à la production. |
| Quelle finalité éducative est en jeu ? | Vérifier que l’efficacité ne remplace pas le sens. |
| Quels coûts cachés apparaissent ? | Données, dépendance, surcharge, inégalités, maintenance. |
| Qu’est-ce qui doit rester humain ? | Protéger relation, interprétation, jugement et responsabilité. |
| Quelle architecture protège le mieux les données ? | Comparer plateforme externe, serveur institutionnel, modèle local ou non-usage. |
| Comment sortir de l’outil si nécessaire ? | Préserver la réversibilité et l’autonomie institutionnelle. |
Carte : décider sans subir
flowchart TD
A["Un outil semble utile"] --> B{"Répond-il à un<br/>problème pédagogique clair ?"}
B -->|Non| C["Ralentir<br/>et diagnostiquer"]
B -->|Oui| D{"Soutient-il l'activité<br/>cognitive visée ?"}
D -->|Non| E["Refuser l'outil<br/>ou revoir son usage"]
D -->|Oui| F{"Ses coûts sont-ils<br/>acceptables ?"}
F -->|Non| G["Adapter ou<br/>limiter l'usage"]
F -->|Oui| H{"La finalité pédagogique<br/>est-elle préservée ?"}
H -->|Non| I["Repenser<br/>le dispositif"]
H -->|Oui| J["Adopter l'outil<br/>avec un cadre explicite"]
J --> K["Observer les effets réels"]
K --> L["Maintenir, ajuster<br/>ou retirer l'outil"]
Recommandé : grille d’arbitrage rapide
| Critère | Risque | Décision |
|---|---|---|
| Problème pédagogique clairement nommé. | Outil choisi par effet de mode. | Expérimenter seulement si le besoin est réel. |
| Activité cognitive identifiée. | Automatisation d’un effort utile. | Protéger la compétence centrale. |
| Données nécessaires et proportionnées. | Collecte excessive. | Minimiser ou refuser l’usage. |
| Alternative simple comparée. | Dépendance inutile. | Préférer l’option la plus réversible. |
| Bilan prévu après expérimentation. | Innovation sans retour critique. | Stabiliser, limiter ou retirer. |
Approfondissement : dire non comme compétence professionnelle
Dire non à un outil ne signifie pas refuser l’innovation. Cela peut être une décision professionnelle rigoureuse lorsque l’outil ne correspond pas aux finalités, augmente la surcharge, fragilise les données, réduit l’autonomie, renforce des inégalités ou remplace une activité cognitive centrale.
Dans un contexte saturé de promesses, le jugement enseignant consiste aussi à protéger les conditions de l’apprentissage : temps long, relation, erreur, doute, confrontation, coopération et parole singulière. Choisir, c’est parfois retirer.
Carte d’aide à la décision pédagogique
🟢 Essentiel
Objectif : relier toute décision d’usage de l’IA à une finalité explicite, une activité cognitive identifiable et un niveau de risque acceptable.
| Promesse de l’outil | Risque | Décision possible |
|---|---|---|
| Gain de temps. | Effort formateur supprimé. | Automatiser seulement le périphérique. |
| Personnalisation. | Trajectoires isolées. | Préserver des moments collectifs. |
| Feedback automatique. | Correction sans compréhension. | Garder le jugement humain final. |
| Détection des risques. | Profil enfermant. | Interdire la décision automatique seule. |
| Données sensibles. | Perte de souveraineté. | Privilégier modèle local, serveur maîtrisé ou non-usage. |
| Évaluation facilitée. | Raisonnement invisible. | Passer en boîte de verre. |
Étude de cas : déployer un tableau de bord sans réduire les étudiants à des profils
Situation initiale
Une équipe pédagogique souhaite utiliser un tableau de bord pour repérer les étudiants en difficulté dans un module exigeant. L’outil agrège connexions, rendus, résultats aux quiz et temps passé. Il classe les étudiants en trois catégories : faible risque, risque moyen, risque élevé. L’intention est d’aider plus tôt. Mais l’équipe s’interroge : comment éviter que le profil devienne une étiquette ?
Diagnostic
Le tableau de bord peut soutenir l’accompagnement, mais il ne doit pas devenir une vérité pédagogique. Les données captent certains comportements, pas l’ensemble d’une situation d’apprentissage. Elles peuvent signaler, mais pas expliquer seules.
| Risque | Indice observable | Effet possible |
|---|---|---|
| Biais de mesurabilité | Les données disponibles deviennent les critères principaux. | Ce qui ne se mesure pas disparaît du jugement. |
| Étiquetage | Le statut “à risque” suit l’étudiant. | Réduction des attentes ou surveillance accrue. |
| Hétéronomie douce | L’étudiant suit les alertes sans comprendre. | Régulation externe plutôt qu’autonomie. |
Redlining numérique |
Les recommandations varient selon le profil. | Opportunités différenciées et reproduction d’inégalités. |
Transformation proposée
| Moment | Risque | Transformation |
|---|---|---|
| Avant déploiement | Finalité implicite. | Définir : accompagner, non classer. |
| Paramétrage | Collecte trop large. | Limiter aux données nécessaires. |
| Lecture des données | Score pris comme vérité. | Croiser avec un échange humain. |
| Retour étudiant | Prescription subie. | Présenter comme support de dialogue. |
| Action pédagogique | Trajectoire imposée. | Proposer plusieurs options d’aide. |
| Bilan | Effets réels inconnus. | Vérifier réussite, confiance, surcharge et équité. |
Grille d’évaluation rapide
| Critère | Risque à repérer | Preuve robuste |
|---|---|---|
| Finalité | Outil adopté pour moderniser ou surveiller. | Finalité discutée avec critères éthiques. |
| Données | Collecte large et peu justifiée. | Données minimisées et contextualisées. |
| Jugement humain | Score déclenchant automatiquement l’action. | Dialogue interprétatif avec l’étudiant. |
Autonomie |
Recommandations suivies passivement. | Possibilité d’adapter, refuser ou proposer. |
| Équité | Profils qui différencient les attentes. | Capabilités réelles renforcées. |
Fiche action : ce que je peux faire dès demain
| Intention | Action simple | Effet attendu |
|---|---|---|
| Reposer les finalités | Ajouter à toute décision IA : “pour former quoi ?” | Éviter l’adoption par effet de mode. |
| Distinguer performance et formation | Demander ce qu’un indicateur ne montre pas. | Réduire le biais de mesurabilité. |
| Préserver l’autonomie | Faire justifier une recommandation suivie ou refusée. | Développer le jugement. |
| Limiter la datafication | Ne collecter que les données nécessaires à une action pédagogique explicite. | Protéger les étudiants du profilage inutile. |
| Intégrer la souveraineté des données | Comparer plateforme externe, serveur institutionnel et modèle local hors-ligne. | Transformer la critique des plateformes en choix d’architecture. |
| Encadrer la personnalisation | Prévoir un moment collectif de débat ou de coopération. | Préserver le monde commun. |
| Protéger le rôle enseignant | Utiliser les tableaux de bord comme signaux, jamais comme décisions automatiques. | Maintenir le jugement professionnel. |
Choisir sans subir |
Tester un outil à petite échelle avec une date de bilan. | Garder la réversibilité. |
Auto-positionnement final
Lecture par dimensions
| Dimension | Questions concernées | Ce que cela permet d’observer |
|---|---|---|
Finalités éducatives |
1, 2, 9 | Votre capacité à relier IA, compétence, subjectivation et capabilités. |
| Vigilance technologique | 3, 4, 10 | Votre attention aux coûts cachés, aux données et aux effets réels. |
| Autonomie étudiante | 5, 6 | Votre manière de préserver jugement, contestation et choix réel. |
Jugement professionnel |
7, 8 | Votre capacité à adopter, limiter ou refuser selon les finalités. |
Pour passer à l’action
Choisissez une question pour laquelle vous avez répondu 1 ou 2.
Transformez-la en micro-ajustement pédagogique pour votre prochain cours.
| Si votre point faible est… | Ajustement simple possible |
|---|---|
| La formulation des finalités | Ajouter une phrase dans la consigne : “cet outil est utilisé pour…” |
| La distinction performance / formation | Compléter un indicateur par une trace qualitative : justification, oral, transfert. |
| Les coûts cachés | Faire une mini-revue : données collectées, dépendance, surcharge, alternative simple. |
| L’autonomie face aux recommandations | Demander “je suis / j’adapte / je refuse, parce que…” |
| La décision de refus | Documenter un non-usage comme choix pédagogique explicite. |
| L’évaluation des effets | Prévoir un bilan avec étudiants après deux semaines d’expérimentation. |
À retenir
Ce positionnement ne mesure pas votre maîtrise technique des IA. Il mesure votre capacité à garder la main sur les finalités éducatives : former des sujets capables de jugement, et non seulement optimiser des performances visibles.
Conclusion
Les chapitres 1 à 3 ont montré que l’IA transforme les conditions de l’apprentissage : elle facilite l’accès, produit des traces fluides, brouille les preuves de compréhension et oblige à renforcer la métacognition, la vigilance épistémique et les preuves de compétence. Le chapitre 1.4 montre que cette transformation est aussi politique et institutionnelle : elle touche aux finalités mêmes de l’enseignement supérieur.
Une IA éducative peut soutenir l’apprentissage si elle reste subordonnée à des finalités humaines : comprendre, enquêter, coopérer, juger, créer, assumer, contester. Elle devient problématique lorsqu’elle impose silencieusement ses propres critères : performance, fluidité, prédiction, conformité, optimisation.
Former à l’ère de l’IA ne consiste donc pas seulement à apprendre à bien utiliser les outils. Cela consiste à former des sujets capables de décider quand les utiliser, comment les limiter, pourquoi les contester et ce qui doit rester humain dans l’acte d’apprendre.
Dans une école d’ingénieurs, cet enjeu est central. Les futurs professionnels ne devront pas seulement manipuler des systèmes complexes ; ils devront décider des finalités auxquelles ces systèmes doivent être subordonnés. L’enseignement supérieur ne peut donc pas se contenter d’optimiser des performances. Il doit former des sujets capables de jugement, de responsabilité et, lorsque cela est nécessaire, de dire non.
Glossaire complet du chapitre
Ce glossaire rassemble l’ensemble des notions effectivement mobilisées dans le chapitre, avec leur définition courte et la question pédagogique associée.
| Notion | Définition courte | Question pédagogique associée |
|---|---|---|
Finalités éducatives |
Raisons profondes pour lesquelles on enseigne : former, qualifier, émanciper, socialiser, rendre capable d’agir. | Quel humain voulons-nous former avec ou malgré l’IA ? |
Performance |
Résultat visible, mesurable ou comparatif d’une activité. | La performance observée renseigne-t-elle vraiment sur l’apprentissage ou la compétence ? |
Optimisation |
Recherche d’une amélioration mesurable : temps, score, taux de réussite, complétion, productivité. | Ce qui est optimisé correspond-il à ce qui est éducativement important ? |
Sujet apprenant |
Étudiant reconnu comme personne capable de sens, de choix, de doute, d’interprétation et de responsabilité. | Le dispositif laisse-t-il une place à la parole, au jugement et à l’initiative ? |
Subjectivation |
Processus par lequel l’étudiant advient comme sujet singulier, capable d’agir et de répondre dans un monde commun. | L’activité forme-t-elle seulement des compétences ou aussi une position de sujet ? |
Learnification |
Réduction de l’éducation à des apprentissages individualisés, mesurables et pilotables, au détriment des finalités politiques et existentielles. | Parle-t-on encore d’éducation ou seulement de gestion de l’apprentissage ? |
Autonomie procédurale |
Capacité à gérer ses tâches, suivre des objectifs, optimiser son temps et répondre à des indicateurs. | L’étudiant devient-il plus libre ou seulement plus efficace dans un cadre prescrit ? |
Autonomie intellectuelle |
Capacité à juger, questionner, résister, interpréter et assumer une décision. | L’étudiant peut-il dire pourquoi il suit ou refuse une recommandation ? |
Capabilités |
Libertés réelles de transformer des ressources en possibilités effectives d’apprendre, comprendre et agir. | L’accès à l’outil se convertit-il réellement en pouvoir d’apprendre ? |
Datafication |
Transformation des comportements en données mesurables, comparables et exploitables. | Qu’est-ce qui devient visible, invisible ou réducteur dans les données collectées ? |
Souveraineté des données |
Capacité à choisir où les données circulent, qui les traite, selon quelles garanties et avec quelle réversibilité. | Les données étudiantes sortent-elles du cadre institutionnel sans nécessité pédagogique ? |
Modèle open-source local |
Modèle exécuté sur une machine ou une infrastructure maîtrisée, sans envoi systématique des données vers une plateforme externe. | Une alternative hors-ligne ou institutionnelle est-elle possible pour l’usage visé ? |
Architecture hybride |
Combinaison raisonnée entre outils locaux, services institutionnels et plateformes externes selon les niveaux de risque. | Quel niveau d’ouverture est acceptable pour ce type de tâche et de données ? |
Gouvernement algorithmique |
Orientation des conduites par des systèmes de scores, recommandations, notifications ou tableaux de bord. | Qui pilote réellement les choix de l’étudiant ? |
Nudge |
Architecture de choix qui oriente un comportement sans contrainte explicite. | La recommandation soutient-elle l’autonomie ou normalise-t-elle la conduite ? |
Hétéronomie douce |
Perte progressive d’autonomie sous une forme fluide, ergonomique et apparemment aidante. | L’assistance devient-elle direction invisible ? |
Redlining numérique |
Risque de catégorisation différenciée des étudiants à partir de profils de données qui limitent leurs opportunités. | Les traces numériques ouvrent-elles ou ferment-elles des possibles ? |
Jugement professionnel |
Capacité enseignante à arbitrer en situation, au regard des finalités, des publics, des contraintes et des effets. | L’outil soutient-il le jugement ou tend-il à s’y substituer ? |
Bibliographie indicative
Finalités éducatives, humanisme et subjectivation
- Barrios-Tao, H., Díaz, V., & Guerra, Y. M. (2021). Purposes of education along with artificial intelligence developments. Cadernos de Pesquisa, 51, e07767.
- Biesta, G. (2009). Good education in an age of measurement: On the need to reconnect with the question of purpose in education. Educational Assessment, Evaluation and Accountability, 21(1), 33-46.
- Biesta, G. J. J. (2010). Good education in an age of measurement: Ethics, politics, democracy. Routledge.
- Biesta, G. J. J. (2022). World-centred education: A view for the present. Routledge.
- Biesta, G. (2023). Outline of a theory of teaching: What teaching is, what it is for, how it works, and why it requires artistry. Routledge.
- Burnett, N. (2008). The Delors Report: A guide towards education for all. European Journal of Education, 43(2), 181-187.
- Del Fabbro, O. (2022). How to teach machines in artificial intelligence? Technical education in John Dewey, Gilbert Simondon and Machine Learning. Education and Culture, 37(2), 24-41.
- Freire, P. (1968/1970). Pedagogy of the Oppressed. Continuum.
Capabilités, autonomie et justice
- Baehr, J. (2011). The inquiring mind: On intellectual virtues and virtue epistemology. Oxford University Press.
- Fricker, M. (2007). Epistemic injustice: Power and the ethics of knowing. Oxford University Press.
- Nussbaum, M. C. (2011). Creating capabilities: The human development approach. Harvard University Press.
- Robeyns, I. (2011). The capability approach. In E. N. Zalta (Ed.), The Stanford Encyclopedia of Philosophy.
- Schweiger, G. (2025). The capability approach as a normative foundation for social work with socially disadvantaged children and youth. Social Sciences, 14(6), 326.
- Sen, A. (1999). Development as Freedom. Oxford University Press.
- Varghese, J. (2025). The impact of artificial intelligence on critical thinking, epistemic curiosity and epistemic autonomy in the context of education. Symposion, 12(2), 309-326.
Datafication, gouvernement algorithmique et EdTech critique
- Ball, S. J. (2003). The teacher’s soul and the terrors of performativity. Journal of Education Policy, 18(2), 215-228.
- Holmes, W., & Porayska-Pomsta, K. (Eds.). (2023). The ethics of AI in education: Practices, challenges, and debates. Routledge.
- Holmes, W., & Tuomi, I. (2022). State of the art and practice in AI in education. European Journal of Education, 57(4), 542-570.
- Kucirkova, N., & Leaton Gray, S. (2023). Beyond personalization: Embracing democratic learning within artificially intelligent systems. Educational Theory, 73(4), 469-489.
- Sadin, É. (2018). L’intelligence artificielle ou l’enjeu du siècle : anatomie d’un antihumanisme radical. L’Échappée.
- Selwyn, N. (2014). Distrusting educational technology: Critical questions for changing times. Routledge.
- Thaler, R. H., & Sunstein, C. R. (2008). Nudge: Improving decisions about health, wealth, and happiness. Yale University Press.
- Tschaepe, M. D. (2021). Data without democracy: The cruel optimism of education technology and assessment. Education and Culture, 37(1), 7-24.
- Watters, A. (2021). Teaching machines: The history of personalized learning. MIT Press.
- Williamson, B. (2017). Big Data in Education: The digital future of learning, policy and practice. Sage.
- Williamson, B. (2021). Making markets through digital platforms: Pearson, edu-business, and the (e)valuation of higher education. Critical Studies in Education, 62(1), 50-66.
IA, éthique, apprentissage et jugement professionnel
- Azeez, G. K., & Rana, V. (2025). Human-centred education in the age of artificial intelligence. AIEOU, University of Oxford.
- Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S. (2025). Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies. Computers & Education, 227.
- European Parliament. (2026). Artificial intelligence in classrooms: Ethical dimensions. Briefing PE 784.573.
- Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 1(1).
- Gerlich, M. (2025). Cognitive offloading or cognitive overload: How AI alters the mental architecture of coping. Journal of Cognitive Psychology (preprint).
- Higher Education Authority. (2025). Generative AI in higher education teaching & learning: Evidence for the HEA’s national policy framework. Dublin.
- Hummel, S. (2025). Ethical and responsible AI in education: Situated ethics for democratic learning. Education Sciences, 15(12), 1594.
- Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676-688.
- UNESCO. (2021). Recommendation on the Ethics of Artificial Intelligence. UNESCO Publishing.
- Université de Montréal. (2018). Montréal Declaration for a Responsible Development of Artificial Intelligence.
- Voicu, C.-G. (2026). Algorithmic mediation, learner agency, and cognitive autonomy in AI-enhanced online learning environments. Revista de Pedagogie Digitala, 5(1), 12-21.
- Woo, C. W. H., & Lim, T. (2025). The promise of learner subjectification in authentic learning: A critical discourse analysis of learner agency in EdTech masterplans. Policy Futures in Education.