L’évaluation scolaire face aux défis de l’intelligence artificielle
Aujourd’hui, évaluation scolaire et intelligence artificielle soulèvent des enjeux nouveaux et décisifs pour les enseignants. L’une des difficultés auxquelles nous sommes confrontés en tant qu’enseignant est de savoir si nos élèves apprennent. Pour cela, notre système a mis en place des évaluations afin de vérifier le niveau de connaissance des élèves, ces évaluations se retrouvent à tous les niveaux du parcours des élèves, depuis l’école primaire jusqu’au supérieur.
Nous même, dans nos classes, nous évaluons l’apprentissage des élèves, soit par des évaluations de performance, les examens, soit par des évaluations d’entraînement, les évaluations formatives mises en place dans nos classes (même s’il y a à redire sur la réalité de ces évaluations formatives et leur réelle mise en oeuvre, ce n’est pas le lieu d’en traiter ici). C’est la même différence, pour les amoureux du foot, qu’un match amical et un match en compétition. Les deux disent quelque chose de nos apprentissages (est-ce que j’ai bien travaillé cette passe lobée lors des entraînements ?), de nos savoirs (est-ce que je sais comment faire une passe lobée — en théorie, je connais la technique) , de nos compétences est-ce que je suis capable de réaliser cette passe en situation réelle, sous pression, pendant un match) et de notre performance (est-ce que j’ai effectivement réussi cette passe décisive dans ce match amical ou officiel). Mais ils n’ont pas les mêmes conséquences sur la poursuite de notre progression au sein du championnat (bon, l’image est peut-être bancale, je n’y connais rien au foot !).
Quand l’intelligence artificielle brouille l’évaluation authentique
Quand l’enseignant pressent une supercherie sans pouvoir la prouver : le défi d’évaluer authentiquement à l’ère de l’intelligence artificielle.
L’intelligence artificielle est venue bouleverser ces évaluations : dès le moment où une évaluation ne se fait pas en condition d’examen, dans un cadre régulé, il nous est difficile, voire impossible, de savoir si nos élèves ont bien produit eux-mêmes ce que l’on veut évaluer. Le problème, à l’ère de l’intelligence artificielle, est de déterminer si l’apprentissage a lieu pour l’élève. Il n’est plus possible de se contenter de vérifier si un élève “rend” quelque chose, mais bien de savoir si ce qu’il rend est bien de lui.
Quand l’enseignant pressent une supercherie sans pouvoir la prouver : le défi d’évaluer authentiquement à l’ère de l’intelligence artificielle.
Face à cette mutation, l’évaluation scolaire à l’ère de l’intelligence artificielle nécessite de nouveaux repères pédagogiques. Il nous faut donc être au clair de ce que nous attendons de l’élève : une compréhension, une analyse, une création ? Car dans un contexte où l’IA est capable de générer un texte cohérent, bien écrit, sans faute et bien structuré, la question ne peut plus être seulement “l’élève a-t-il produit ?”, mais “à quel niveau a-t-il pensé ?”.
La taxonomie de Bloom : une boussole pour évaluer l’activité cognitive
C’est ici que la taxonomie de Bloom, révisée par Anderson et krathwohl en 2001, nous offre un cadre précieux. Ces deux auteurs ont remplacé les noms utilisés par Bloom par des verbes d’action, ce qui favorise une approche par compétences plutôt que par objectifs. Ainsi, il faut considérer cette taxonomie non pas comme une grille rigide, mais comme une boussole pour penser les niveaux cognitifs que nous visons — et donc, ce que nous voulons véritablement évaluer.
Les six niveaux de la taxonomie de Bloom révisée
La taxonomie de Bloom, dans sa version révisée (Anderson & Krathwohl, 2001), nous propose une lecture hiérarchique des processus cognitifs.Elle distingue six niveaux d’activité mentale, de la plus simple à la plus complexe :
Schéma adapté de TÉLUQ : Taxonomie de Bloom révisée (Anderson et al.) – Voir l’article complet
- 1Mémoriser : restituer une information.
- 2Comprendre : reformuler, expliquer avec ses mots.
- 3Appliquer : utiliser une notion dans une situation nouvelle.
- 4Analyser : distinguer les parties d’un tout, mettre en évidence les relations.
- 5Évaluer : porter un jugement critique, argumenté.
- 6Créer : produire quelque chose de nouveau, avec intention.
Circulation entre les niveaux cognitifs : une approche dynamique
Ce modèle n’est pas qu’un outil de classement. C’est aussi un outil structurant pour analyser comment l’intelligence artificielle transforme l’évaluation scolaire, en profondeur. Il décrit ainsi une progression possible dans la profondeur de l’engagement cognitif : de la simple reproduction à l’appropriation, puis à la transformation du savoir.Mais attention à ne pas le figer en parcours linéaire : il ne s’agit pas d’une échelle à gravir obligatoirement du bas vers le haut.
On peut entrer dans un apprentissage par n’importe quel niveau, en fonction de l’objectif visé, du contexte ou du profil de l’élève. Partir de la création pour remonter vers la compréhension n’est pas un contresens. Cela peut même s’avérer plus stimulant et formateur.
Exemple : apprendre à dessiner un arbre
Par exemple, il sera souvent plus parlant de demander à un élève de dessiner un arbre (créer), puis de comparer son dessin avec celui de ses camarades (évaluer). Cette confrontation l’amène à analyser les différences (analyser), à retravailler son dessin en fonction de ce qu’il a observé (appliquer), et à justifier ses choix avec ses propres mots (comprendre), jusqu’à identifier les critères d’un « beau » dessin d’arbre (mémoriser).
Ce n’est donc pas la montée dans la hiérarchie qui compte, mais la circulation entre les niveaux, selon une logique dynamique et signifiante.
Exemple : apprentissage d’une langue étrangère
Prenons un exemple similaire d’un apprentissage en langue étrangère. Plutôt que de commencer par des règles grammaticales ou du vocabulaire isolé, on peut proposer aux élèves de rédiger une courte lettre fictive à un correspondant (créer). Dans un second temps, on leur demande de lire la lettre d’un camarade et d’en repérer les qualités et les points à améliorer (évaluer). Ils sont alors amenés à identifier les structures utilisées, à distinguer les choix lexicaux, syntaxiques ou stylistiques (analyser). Ils peuvent ensuite réécrire leur propre lettre en intégrant ce qu’ils ont observé (appliquer), et expliquer à l’oral, avec leurs mots, les changements qu’ils ont opérés et pourquoi (comprendre). Enfin, cette séquence peut se conclure par une mise au clair collective ou individuelle des tournures utiles pour écrire une lettre en langue cible (mémoriser).
Là encore, l’entrée par la création permet d’ancrer les apprentissages dans une expérience signifiante et d’activer plusieurs niveaux cognitifs en synergie. Évidemment, il est également possible de se limiter à quelques niveaux seulement de la taxonomie, en fonction de ce que l’on veut faire apprendre.
Cette taxonomie de Bloom révisée est un outil qui nous permet d’analyser comment l’intelligence artificielle vient transformer notre façon d’enseigner, et la façon dont nos élèves apprennent. Car l’enjeu n’est pas seulement de s’adapter à l’IA. C’est de recentrer l’enseignement sur les gestes mentaux que la machine ne peut pas reproduire : interpréter, choisir, ressentir, nuancer, créer avec intention. Elle nous permet ainsi d’identifier, en creux, les compétences spécifiquement humaines à développer dans un monde où l’IA est omniprésente. Car si nous, enseignants, découvrons l’IA, si pour nous c’est une technologie disruptive, pour la plupart de nos élèves, surtout les plus jeunes, ils vivent dans un monde où elle est “déjà là.”
L’illusion de l’intelligence artificielle : produire plus, mais penser moins
À première vue, l’intelligence artificielle semble capable de répondre à toutes les exigences de la taxonomie de Bloom. Elle peut mémoriser à grande échelle, reformuler des concepts complexes, synthétiser un texte dense. Elle sait appliquer une règle dans un contexte nouveau, analyser une production en identifiant ses composantes, voire évaluer un texte en argumentant un point de vue. Et bien sûr, elle crée, ou du moins, elle en donne l’illusion : textes, images, musiques, vidéos générés en quelques secondes. Mais dans le cadre de l’évaluation scolaire à l’ère de l’intelligence artificielle, cette capacité d’imitation ne garantit en rien un engagement cognitif réel.
Face à cela, une question se pose avec une acuité nouvelle :Si l’IA “sait tout faire”, que reste-t-il à faire à l’élève ? Et nous, en tant que pédagogues, avons-nous encore un rôle à jouer ?
Le numérique, et plus encore l’intelligence artificielle, nous place face à un paradoxe : la quantité et la qualité des productions augmentent, mais le niveau d’engagement cognitif de l’élève peut chuter drastiquement.
Le risque de la délégation cognitive
Un élève peut aujourd’hui :
… sans avoir réellement pensé, sans avoir éprouvé de tension cognitive, sans avoir transformé, à tout le moins mis à l’épreuve, ses représentations.
L’IA masque le processus. Elle peut donner l’illusion d’une maîtrise, alors qu’elle externalise des opérations mentales qui, en contexte d’apprentissage, devraient justement être mobilisées, éprouvées, consolidées, développées. L’une des tensions majeures dans l’évaluation scolaire à l’ère de l’intelligence artificielle consiste justement à distinguer la trace de la pensée.
C’est là le cœur du problème : ce que l’élève produit ressemble à une trace d’apprentissage, mais ce n’est pas nécessairement une trace de pensée. Si l’IA peut générer la première sans la seconde, alors la question devient vertigineuse : comment distinguer une trace qui témoigne d’un apprentissage réel, traversé par une tension cognitive, d’une trace purement simulée ? Peut-être faut-il que l’on interroge le chemin traversé pour arriver à la production. Non pas juste la production finale, mais ce que l’élève peut dire de ce qu’il a traversé pour en arriver là.
Après tout, cette inquiétude n’est pas nouvelle. Socrate, déjà, s’en prenait à l’écriture.
Socrate
Elle ne peut produire dans les âmes que l’oubli, car les hommes auront foi dans le texte écrit au lieu de chercher en eux-mêmes le souvenir.
L’écriture, disait-il, donne l’apparence de la connaissance, mais non sa réalité.
Plus récemment, on se souvient de ces enseignants de mathématiques qui, en 1988, manifestaient aux États-Unis contre l’introduction des calculatrices en classe.
À chaque fois qu’un artefact vient externaliser une fonction cognitive, celle-ci risque de s’atrophier, faute d’être mobilisée.
« Elle ne peut produire dans les âmes que l’oubli, car les hommes auront foi dans le texte écrit au lieu de chercher en eux-mêmes le souvenir. »
C’est le même vertige aujourd’hui avec l’intelligence artificielle : mais ce qu’elle remplace n’est pas seulement une opération mentale, c’est l’ensemble de nos fonctions cognitives. Et si nous n’y prenons garde, c’est la pensée elle-même qui risque de se déléguer. Mais c’est moins l’outil qu’il faut craindre, que l’usage que nous en faisons.
L’IA : amplificateur de médiocrité ou levier de complexité ?
Tout dépend de ce que l’on en fait : évaluation scolaire et intelligence artificielle peuvent devenir antinomiques, si le cadre pédagogique n’est pas réinterrogé.
Si elle est utilisée pour produire des fiches, des résumés, des réponses toutes faites, elle devient un amplificateur de tâches à faible valeur cognitive. Elle alimente une pédagogie de la conformité, de l’instantané, du superficiel.
Mais si elle est mobilisée pour :
alors elle devient un levier de complexité.
De la triche à la tâche : retourner l’IA contre elle-même
Soyons lucides : si l’IA entre dans la classe, ce n’est pas par la porte pédagogique. Elle entre par la fenêtre, par un devoir fait trop vite, trop bien. Les élèves l’utilisent pour aller plus vite, pas pour aller plus loin. La triche est en fait une délégation de pensée. Le problème n’est pas moral, il est cognitif.
Et cette réalité peut devenir un levier.
Si un élève génère un texte avec ChatGPT pour rendre une dissertation, on peut lui demander :
Ici, le texte IA devient un pré-texte. On ne le sanctionne pas. On ne le célèbre pas. On l’interroge. On le travaille. On le retourne. C’est cela, le changement de posture : on passe de “tu as triché” à : “tu as délégué. Reprenons ensemble ce que tu as laissé filer.”
Changer le prompt, changer le niveau cognitif
Une IA qui résume un texte ne développe aucune capacité d’analyse chez l’élève. Mais une IA à qui l’on demande :
« Rédige deux résumés opposés de ce texte : l’un du point de vue de l’auteur, l’autre du point de vue d’un lecteur critique »
ouvre un tout autre espace cognitif.
Car ici, l’élève n’a plus face à lui un simple condensé, mais il est mis en jeu une intention de lecture. Il doit comprendre le texte, mais aussi prendre de la distance, mobiliser des catégories d’analyse, décentrer son point de vue. Il s’agit moins de résumer que de mettre en tension des interprétations. Le texte IA devient un support pour penser contre la machine, avec elle.
C’est le même outil, mais pas la même tâche. Le même texte généré, mais pas la même activité mentale suscitée. Dans un cas, l’IA fait à la place. Dans l’autre, elle devient un révélateur d’ambiguïtés, un catalyseur de discussion, un support de comparaison.
Ce que l’on attend de l’élève change : non pas parce que l’outil est plus sophistiqué, mais parce que la consigne est plus exigeante. Parce que le prompt engage une opération intellectuelle identifiable, située dans la taxonomie : ici, analyser, évaluer, créer.
Un simple déplacement dans la formulation peut faire passer l’élève :
Autrement dit : la question n’est pas « l’IA est-elle une menace ? » mais : « notre pédagogie est-elle assez exigeante pour en faire un levier d’exigence intellectuelle ? »
L’IA en classe : amplifier la passivité ou stimuler une pensée critique active : deux approches opposées.
Vers une pédagogie augmentée, pas remplacée par l’IA
L’IA ne remplace pas la pensée. Elle ne fait que formuler plus vite ce qui a déjà été pensé ailleurs. Elle n’invente ni les intentions, ni les dilemmes, ni les désaccords. C’est pourquoi l’enseignant reste l’architecte du sens.
Sa fonction n’est pas de contrôler la production, mais de structurer les conditions dans lesquelles une activité cognitive peut émerger. L’IA, dans ce cadre, n’est qu’un assistant de formulation, un déclencheur de confrontation intellectuelle.
Il ne s’agit pas de contourner le conflit cognitif, mais de le provoquer. De créer un décalage, une tension, une surprise qui oblige à prendre position, à douter, à reformuler.
Voici quelques scénarios pédagogiques où l’IA peut devenir un levier d’accès aux niveaux supérieurs de la taxonomie de Bloom :
Dans ces scénarios, l’IA n’est pas l’outil de la solution. Elle est le point de départ de la transformation. Si vous souhaitez réfléchir à la place de l’IA à l’école avec davantage de recul, les pistes rassemblées dans la page Intelligence artificielle en éducation : 4 chemins à explorer peuvent vous accompagner.
Pour prolonger cette réflexion, voici trois exemples de prompts adressés à l’IA, chacun associé à une tâche pédagogique spécifique. L’objectif est de solliciter des niveaux cognitifs différenciés selon la taxonomie de Bloom, sans confondre les opérations mentales visées.
Niveau visé | Prompt adressé à l’IA | Consigne donnée à l’élève | Opérations mentales sollicitées |
|---|---|---|---|
Analyser | Donne deux interprétations opposées de ce texte : une optimiste, une pessimiste. | Distingue les arguments de chaque interprétation. Reformule avec tes mots ce que défend chaque lecture, sans exprimer ton avis personnel. | Distinguer, structurer |
Évaluer | Propose trois solutions différentes à ce problème complexe, sans indiquer laquelle est préférable. | Analyse les avantages et limites de chaque solution. Choisis celle que tu juges la plus pertinente et justifie ton choix. | Juger, argumenter |
Créer | Invente une situation-problème nouvelle sur le thème [suivant], avec contexte, personnages et dilemme. | Imagine librement une suite narrative où les personnages doivent faire un choix. | Imaginer, créer |
L’évaluation scolaire à l’ère de l’intelligence artificielle désigne l’ensemble des pratiques repensées pour tenir compte de la capacité des outils IA à produire des réponses. Elle oblige à évaluer non seulement la production finale, mais aussi les opérations mentales mobilisées par l’élève tout au long du processus d’apprentissage.
Questions fréquentes sur l’évaluation scolaire et l’intelligence artificielle
Avant de conclure, voici quelques réponses aux questions les plus courantes que soulève l’usage de l’IA en classe.
L’évaluation scolaire à l’ère de l’intelligence artificielle désigne l’ensemble des pratiques repensées pour tenir compte de la capacité des outils IA à produire des réponses. Elle oblige à évaluer non seulement la production finale, mais aussi les opérations mentales mobilisées par l’élève tout au long du processus d’apprentissage.
Il est illusoire de se fier uniquement à des détecteurs automatiques. L’observation des démarches, la demande d’explications orales ou écrites, l’analyse des justifications, sont autant d’indicateurs plus fiables pour distinguer une pensée authentique d’une simple délégation à l’IA.
Oui, plus que jamais. La taxonomie de Bloom offre une grille pour structurer l’évaluation autour des niveaux cognitifs : mémoriser, comprendre, appliquer, analyser, évaluer, créer. En privilégiant les niveaux supérieurs, l’enseignant conçoit des tâches que l’IA seule ne peut pas pleinement accomplir sans engagement humain.
L’évaluation formative doit favoriser des tâches réflexives et critiques. Par exemple : expliquer ses choix, justifier ses raisonnements, comparer plusieurs productions ou enrichir un texte généré par l’IA. Ces activités mobilisent des compétences authentiques et limitent la tentation de déléguer sans penser.
Des prompts ouverts et exigeants. Par exemple : « Donne deux interprétations opposées de ce texte » ou « Propose trois solutions à ce problème, puis analyse leurs avantages et limites ». De tels prompts ne sollicitent pas seulement la génération de contenu, mais engagent un travail d’analyse, d’évaluation et de création.
L’IA n’est ni une menace ni une garantie en soi. Utilisée comme simple générateur de réponses, elle appauvrit l’engagement cognitif. Mobilisée comme déclencheur de réflexion, de controverse ou de création, elle devient un levier puissant pour développer la pensée critique et la créativité.
L’IA n’est pas le problème : préserver l’effort de penser
L’IA n’est pas une menace pour la pensée. C’est notre paresse intellectuelle qui l’est.
Un outil ne décide pas de la tâche qu’on lui confie. Ce n’est ni la puissance technique, ni la fluidité du résultat qui doivent guider notre usage, mais l’intention pédagogique : faire penser, faire douter, faire transformer.
Si nous voulons préserver ce qui fait la valeur de l’apprentissage — l’effort, l’incertitude, le frottement avec la complexité —, alors nous devons faire de l’IA non pas un raccourci, mais un détour exigeant.
L’IA peut accélérer l’écriture. Elle peut formuler à notre place, proposer des idées, simuler une compréhension.
Mais elle ne peut pas traverser le doute, ni former un jugement, ni produire un sens qui engage une personne. Ce sont ces gestes-là que nous devons protéger, provoquer, entretenir. Pas contre l’IA. Avec elle. Mais sans jamais s’y abandonner.
Protéger la pensée, ensemble : quelles pistes pour agir ?
Quels points de convergence reconnaissez-vous avec votre expérience de classe ?
Où, au contraire, vos pratiques ou vos réflexions vous amènent-elles à diverger ?
Je serais heureux de lire vos retours pour enrichir cette réflexion collective.
Merci pour cet article qui nous apporte une vision de l’IA à l’école.
J’aime beaucoup l’approche que l’IA ne doit pas être utilisée pour aller plus vite mais pour aller plus loin (avec les débats contradictoires) et pour stimuler nos pensées.
Merci beaucoup Ketty pour ton retour. Je suis heureux que cette idée t’ait parlé : l’IA, plutôt que de chercher à aller plus vite, doit devenir un levier pour aller plus loin dans l’apprentissage. Stimuler la pensée, provoquer la confrontation des idées, susciter des débats contradictoires : c’est là que réside tout l’enjeu. Nous avons, je crois, une belle opportunité de recentrer l’école sur l’effort de penser authentiquement.
Merci pour cet article absolument passionnant. Je ne suis pas enseignante, mais tu soulèves des questions qui s’appliquent aussi aux créateurs de contenu. Le risque de délégation cognitive nous guette à chaque tâche. Je découvre la taxonomie de Bloom et me réjouis du premier socle : la mémorisation !
Merci Eva pour ton message très inspirant. Tu as tout à fait raison : le risque de délégation cognitive ne concerne pas que l’école. Il touche aussi les créateurs de contenu, les professionnels, et bien au-delà. La taxonomie de Bloom est précieuse pour effectivement garder en tête que la base de tout processus créatif reste la mémorisation et l’appropriation des savoirs. Sans cette étape, il devient difficile de créer du neuf, d’évaluer avec justesse ou d’analyser en profondeur.
Article très intéressant! Ma plus grande crainte avec l’IA est que les jeunes (et les autres…) perdent l’esprit critique et n’apprennent plus à argumenter (et ne retiennent plus rien), mais je vois que, bien utilisé, l’outil permet une autre forme de travail. D’ailleurs, si on veut de bons résultats avec l’IA, il faut de bons prompts parfois très poussés, ce qui oblige à clarifier ses idées, et exposer ses demandes précisément. Quand on lit certaines réponses bien à côté de la plaque, on se rend compte que la question a été mal posée. Le prompt engineering est clairement une compétence du futur.
Merci pour cette réflexion!
Merci beaucoup pour ton commentaire éclairant !
Tu touches un point essentiel : oui, le prompt engineering devient une compétence précieuse, parce qu’il oblige à clarifier sa pensée avant même de formuler une demande. Mais comme tu le soulignes également, l’enjeu est encore plus vaste.
Dans un monde saturé d’outils capables de générer du contenu, ce qui deviendra déterminant, ce n’est pas seulement de « bien parler aux machines », mais surtout de développer notre esprit critique, affiner nos jugements, et cultiver la richesse des interrelations humaines — ces dimensions qu’aucune IA ne peut simuler authentiquement.
À cela, j’ajouterais quelques autres compétences qui deviendront, à mon sens, cruciales :
La créativité interprétative : savoir détourner, enrichir, questionner ce que produit l’IA plutôt que de le consommer passivement.
Finalement, l’enjeu n’est pas seulement de devenir « expert en IA », mais de rester profondément humain dans un monde amplifié par l’IA. Cela demande un effort conscient : protéger ce qui en nous n’est ni calculable, ni programmable.
Merci encore pour ta réflexion qui contribue à ouvrir ce débat essentiel !
La lecture de ton article m’a sincèrement impactée, car elle dépasse le simple domaine de l’élève et de l’école. Justement, comme tu le précises, ce n’est pas l’IA le problème, mais bien notre paresse intellectuelle. Je rejoins la remarque d’Eva, nous également créateur de contenus, nous devons nous éduquer pour apprendre à bien se servir de l’outil IA. Il est donc évident que les enseignants doivent être bien formés pour préparer nos enfants, et que la clé de l’apprentissage se situe dans la maîtrise du prompt engineering. En-tout-cas, bravo d’aborder cette thématique et impatient de découvrir tes futurs articles.
Merci Philippe pour ton retour.
Effectivement, ce qui pose problème est le renoncement à exercer notre pensée. Une délégation cognitive qui, comme tu le soulignes, menace tout autant les créateurs de contenus que les élèves.
Tu évoques la clé du prompt engineering — et c’est en effet un enjeu central : non pas seulement savoir utiliser l’IA, mais savoir quoi lui faire faire, pour ne pas confondre productivité et pensée. À cet égard, notre responsabilité est double : pédagogique et éthique. Il nous faut transmettre plus qu’une technique, une exigence : celle de penser contre la facilité, d’interroger chaque réponse, surtout générée, comme une hypothèse à confronter.
L’école est aujourd’hui confrontée à la nécessité de redéfinir de façon urgente ce qu’apprendre veut dire à l’ère de l’IA.
Heureux que cette réflexion résonne au-delà du monde enseignant. À bientôt pour prolonger ce dialogue.
Merci pour ce partage. On dit souvent que l’on a bien compris un concept si on est capable de l’expliquer à un enfant de 5 ans. On est en plein dans le point 6 de la taxonomie de Bloom.
Je suis d’accord avec toi : l’IA est un amplificateur de compétence ou d’incompétence. Si l’apprenant avait la « flemme » par le passé, il copiait les leçons du camarade ; maintenant, il demande à l’IA.
Qu’on le veuille ou non, l’IA fait désormais partie de notre environnement, et j’apprécie le concept qui consiste à dire : « on s’adapte ». La maîtrise de l’IA sera une compétence requise pour les générations futures, une véritable compétence.
Ma question est : est-ce que l’école nous apprend toujours des notions utiles pour l’avenir ? Car c’est l’acte d’apprendre, de créer, de rechercher qui est important. Cela fait longtemps que j’ai quitté les bancs de l’école, et finalement, ce qui me sert aujourd’hui, je l’ai surtout appris par moi-même… Mais le sens de l’effort, je l’ai appris en partie à l’école.
Merci beaucoup pour ton commentaire !
Je partage complètement ton regard : oui, l’IA ne fait qu’amplifier ce qui est déjà là — curiosité ou paresse, engagement ou évitement.
Ou plutôt, elle masque parfois la paresse et l’absence de curiosité.
Et ta question est essentielle : apprenons-nous encore à apprendre ?
Plus que jamais, l’école devrait cultiver l’effort intelligent, l’autonomie critique, la capacité à chercher du sens.
C’est tout l’enjeu aujourd’hui : faire de l’IA un levier pour approfondir l’apprentissage, et non pour s’en dispenser.
Former à l’autonomie critique me semble aujourd’hui plus vital que jamais.
Un grand merci Fabrice pour cet article d’une rare justesse. Il me semble indispensable de mettre en avant la nécessité d’articuler la profondeur pédagogique et la rigueur intellectuelle. La taxonomie de Bloom je note! Je ne connaissais pas du tout, merci pour ce partage précieux. Ton analyse sur la délégation cognitive m’interpelle car elle met en exergue la finalité de nos dispositifs bien au-delà des outils, je la trouve très pertinente. Je n’ai plus qu’à monter en compétence dans ce domaine pour être alignée avec le « apprendre à apprendre » qui me tient tant à cœur !
Merci beaucoup pour ton message. Je suis vraiment heureux que l’article ait pu t’apporter des pistes nouvelles, notamment avec la taxonomie de Bloom. C’est super de savoir que ces partages nourrissent la réflexion et contribuent à élargir les horizons de pratique.
Concernant la délégation cognitive, il me semble utile de distinguer deux formes : celle, féconde, pédagogique, où l’enseignant délègue progressivement à l’élève une part du travail intellectuel pour l’amener à construire ses propres savoirs — et celle, plus problématique, où l’élève délègue à une IA des tâches cognitives qui devraient nourrir son apprentissage. Dans le premier cas, il s’agit d’un levier puissant d’autonomisation et d’émancipation ; dans le second, d’une forme d’abandon et de déresponsabilisation.
Mais même dans la première forme, la délégation ne doit pas être permanente. Elle a vocation à s’effacer. Comme le rappelle Rancière, enseigner, ce n’est pas faire à la place de l’autre, c’est créer les conditions pour qu’il s’instruise par lui-même. Toute la subtilité réside donc dans cet accompagnement temporaire, qui vise à rendre l’élève capable, évidemment, de se passer des béquilles cognitives que sont les IA, mais aussi, in fine, de se passer du maître…