Glossaire

L'affinage prend un modèle généraliste et l'oriente vers un ton, un format ou un domaine précis en lui fournissant vos exemples soigneusement sélectionnés. Pour la plupart des enseignants, l'affinage est excessif — l'ingénierie des prompts et la récupération (RAG) couvrent 95 % des besoins à une fraction du coût et du risque. L'affinage a du sens lorsque vous disposez de centaines d'exemples de haute qualité et d'une tâche stable et répétitive.

Attention — L'affinage n'"enseigne" pas de nouveaux faits au modèle de manière fiable. Pour les faits, utilisez le RAG.

La vraie anonymisation est plus difficile qu'il n'y paraît. Supprimer les noms et les identifiants est rarement suffisant — des combinaisons de champs moins évidents (établissement, classe, descripteurs démographiques, horodatages) peuvent réidentifier des individus, surtout dans de petites populations. La pratique la plus robuste est la minimisation des données associée à une agrégation soigneuse, l'anonymisation servant de filet de sécurité plutôt que de première ligne de défense.

Attention — "Anonymisé" signifie souvent "pseudonymisé". Demandez ce que le fournisseur fait réellement.

L'apprentissage par l'investigation place la question — et non la réponse — au centre. Les outils IA s'y intègrent maladroitement s'ils ne sont pas utilisés avec soin : un LLM qui fournit des réponses soignées ferme l'investigation. Bien utilisée, l'IA peut être un partenaire de recherche qui aide les élèves à affiner leurs questions, à trouver des sources et à repérer des contradictions dignes d'investigation.

Le biais algorithmique apparaît dans l'éducation sous la forme de correcteurs d'essais qui pénalisent les dialectes non standard, d'outils de surveillance qui signalent plus souvent les personnes à peau plus foncée, et de systèmes de recommandation qui orientent certains groupes vers des contenus moins ambitieux. Le NIST et d'autres organismes de normalisation ont publié des cadres pour réfléchir à ce biais et l'atténuer, mais aucun audit ne l'élimine entièrement. La réponse institutionnelle est la revue humaine pour les décisions à fort enjeu.

Attention — "L'algorithme est neutre" n'est presque jamais vrai. La neutralité est un résultat de conception, pas une valeur par défaut.

La mémoire de travail est limitée. La théorie de la charge cognitive distingue la charge intrinsèque (la tâche elle-même), la charge extrinsèque (une mauvaise conception qui gaspille l'attention) et la charge pertinente (l'effort qui construit des schémas). L'IA peut réduire la charge extrinsèque — mise en forme, résumé, simplification — mais ne devrait pas absorber la charge pertinente. C'est là que se trouve l'apprentissage.

Attention — Supprimer toute difficulté n'est pas une gentillesse. La lutte productive est là où les schémas se forment.

ChatGPT est l'assistant IA le plus reconnu dans l'éducation, en partie grâce à son calendrier de lancement et en partie grâce à son niveau gratuit. Il propose un modèle gratuit et des niveaux payants avec des modèles plus récents, la génération d'images, le chargement de fichiers et des GPT personnalisés. Dans de nombreux établissements, "ChatGPT" est devenu synonyme de "n'importe quel chatbot" — ce qui crée de la confusion dans les discussions sur les politiques.

Attention — Les politiques du type "ChatGPT interdit" autorisent souvent par inadvertance Claude, Gemini, Copilot et les modèles locaux. Nommez le comportement, pas la marque.

Claude est largement utilisé par les enseignants pour le traitement de longs documents — lire des articles complets, comparer plusieurs productions d'élèves, élaborer des programmes sur plusieurs sessions — grâce à sa grande fenêtre de contexte. Son orientation vers l'utilité associée à l'honnêteté en fait un choix raisonnable pour les contextes scolaires, bien qu'aucun LLM ne soit adapté sans relecture humaine.

La conception à rebours — popularisée par Wiggins et McTighe — comporte trois étapes : identifier les résultats, décider quelles preuves attestent de la maîtrise, puis planifier l'enseignement. À l'ère de l'IA, cette discipline compte plus que jamais : si vous ne pouvez pas définir à quoi ressemble une preuve d'apprentissage authentique, vous ne pouvez pas déterminer si l'IA a aidé ou court-circuité l'apprentissage.

L'UDL repose sur trois principes : des moyens multiples d'engagement, de représentation et d'action/expression. Plutôt que de concevoir un cours puis d'y ajouter des aménagements, l'UDL intègre la variabilité dès la conception. L'IA est un puissant allié de l'UDL — synthèse vocale, résumé, traduction, formats alternatifs — mais seulement si vous partez des objectifs, pas de la commodité.

Le constructivisme sous-tend une grande partie de la pédagogie moderne : apprentissage par projet, investigation, lutte productive. La tension avec l'IA est réelle — si le modèle remet à l'apprenant une construction achevée, aucune construction n'a eu lieu. La conséquence pour la conception est que le travail cognitif de l'apprenant doit rester visible et évaluable, même lorsque l'IA est dans la boucle.

Copilot dans l'éducation désigne généralement Microsoft 365 Copilot — des fonctionnalités IA intégrées à Word, Excel, PowerPoint, Outlook et Teams. Pour les établissements standardisés sur Microsoft, cela facilite l'adoption. Le nom est également réutilisé par GitHub Copilot, un assistant de programmation, qui est un produit différent avec une licence différente — à préciser dans les documents de politique.

La déclaration d'usage IA est la nouvelle convention de citation. Les normes sont encore en cours d'établissement, mais la direction est claire : nommer l'outil, décrire l'usage, assumer la responsabilité du résultat final. La bonne pratique de déclaration est enseignable dès le collège. Elle inverse aussi la conversation du "pris à utiliser l'IA" au "utilisé l'IA correctement" — un cadre bien plus sain.

Exemple — Une note de bas de page : "J'ai utilisé Claude pour réfléchir à la structure de ma dissertation et vérifier la grammaire. Toutes les sources et tous les arguments sont les miens."

La dépendance fournisseur se manifeste par des formats de données propriétaires, des intégrations qui ne fonctionnent qu'avec les autres produits du même fournisseur, des investissements de formation liés à une interface spécifique, et des contrats qui rendent l'export des données pénible. Pour les outils IA, demandez dès le départ : peut-on exporter les données des élèves et l'historique des prompts dans des formats ouverts, et que devient notre contenu si le fournisseur est racheté ou ferme. Ces questions semblent paranoïaques jusqu'à ce qu'elles ne le semblent plus.

La différenciation est l'une des pratiques d'enseignement les plus chronophages, ce qui est précisément pourquoi l'IA est si prometteuse ici : lectures adaptées au niveau, explications alternatives, modalités multiples, prompts étayés. Le risque est d'abaisser silencieusement les attentes pour certains élèves. L'IA devrait offrir à davantage d'apprenants un chemin vers le vrai objectif, pas donner à certains un objectif simplifié.

Attention — Des apports différenciés sont bons. Des standards différenciés, dissimulés sous la personnalisation, c'est du tri scolaire.

L'étayage est censé s'estomper. L'objectif est l'autonomie, pas une assistance permanente. L'IA peut constituer un étayage bien fait (un tuteur qui pose des questions directrices et prend du recul) ou un étayage mal fait (un outil qui termine simplement la tâche). La question pédagogique est toujours : qu'est-ce que l'apprenant fait qu'il ne pouvait pas faire avant, et pourra-t-il faire seul la prochaine fois ?

Attention — Si l'échafaudage ne disparaît jamais, ce n'est pas un étayage. C'est une béquille.

L'évaluation authentique demande aux élèves de faire quelque chose que quelqu'un dans le monde fait réellement — concevoir, décider, défendre, construire, présenter. Il est plus difficile pour l'IA de court-circuiter ce type d'évaluation car la tâche inclut un jugement situé et un processus visible par l'enseignant. L'évaluation authentique est la réponse la plus durable au problème de la dissertation à faire à la maison.

Exemple — Plutôt qu'une dissertation en cinq paragraphes sur la qualité de l'eau locale, les élèves prélèvent des échantillons du ruisseau voisin, analysent les données et présentent leurs résultats au conseil municipal.

L'évaluation formative est le quotidien de l'enseignement : tickets de sortie, vérifications rapides, discussion entre pairs, sondage sur les représentations erronées. L'IA brille ici — générer des vérifications rapides alignées sur l'objectif du jour, suggérer des questions de suivi, résumer les réponses de la classe. Les enjeux sont faibles, l'enseignant ferme la boucle, et les erreurs sont rattrapées rapidement.

L'évaluation sommative est là où les politiques IA deviennent inconfortables. Les dissertations traditionnelles à faire à la maison et les séries de problèmes non minutées sont triviales à réaliser avec l'IA. Les options sont : changer le format (évaluation authentique, tâche de performance, soutenance orale), contrôler l'environnement (en classe, surveillé), ou changer ce qui compte comme preuve (portfolio, documentation du processus). Faire semblant que l'ancien format fonctionne encore se termine rarement bien.

Tout ce qui dépasse la fenêtre de contexte est invisible pour le modèle : il ne peut pas se souvenir des échanges précédents, ne peut pas lire un fragment de document qui n'y tient pas, et ne peut pas se rappeler la session de la semaine dernière sauf si cet historique lui est fourni à nouveau. Les modèles récents disposent de très grandes fenêtres, mais plus grand n'est pas toujours mieux — les contextes longs peuvent tout de même noyer l'instruction qui compte le plus.

Attention — Un long échange ne confère pas à l'IA une "mémoire". Une fois la fenêtre dépassée, le contenu antérieur disparaît silencieusement.

La FERPA régit qui peut accéder aux dossiers des élèves et dans quelles conditions. Pour les outils IA, les questions pratiques sont : les données des élèves quittent-elles le périmètre institutionnel, le fournisseur est-il un "responsable scolaire" au sens de la FERPA, quel consentement s'applique, et que deviennent les données à la fin du contrat. Les outils grand public gratuits satisfont rarement la FERPA pour les travaux identifiables des élèves.

Attention — Un outil gratuit sans accord de traitement des données n'est pas conforme à la FERPA simplement parce que vous faites confiance à la marque.

Gemini traite nativement le texte, les images, l'audio et la vidéo. Pour les établissements déjà équipés de Google Workspace for Education, l'intégration dans Docs, Slides, Gmail et Classroom représente un avantage pratique. Le traitement des données pour les locataires éducatifs diffère du produit grand public — consultez la documentation administrateur avant de supposer que les données des élèves sont protégées.

Le RAG connecte un LLM à une bibliothèque consultable — votre programme, vos politiques, votre règlement intérieur — et injecte les passages les plus pertinents dans le modèle aux côtés de la question de l'utilisateur. Cela réduit considérablement les hallucinations sur le contenu interne et permet au modèle de "citer" de vraies sources. La plupart des IA institutionnelles en éducation reposent aujourd'hui sur RAG associé à un LLM, et non sur le LLM seul.

Exemple — Un chatbot institutionnel qui répond aux questions du personnel sur les congés en récupérant les passages pertinents du guide RH, puis en les résumant avec le LLM.

Attention — La qualité du RAG est limitée par la qualité et la structure de vos documents sources. Des déchets en entrée, des déchets polis en sortie.

L'adoption de l'IA dans l'éducation est, au fond, un projet de gouvernance des données. Quelles données d'élèves quittent le périmètre de l'établissement, sous quelle forme, vers quel fournisseur, dans le cadre de quel contrat, à quelle fin, conservées pendant combien de temps. Si ces questions n'ont pas de réponses précises, l'acquisition de solutions IA devrait s'arrêter le temps qu'elles en aient. C'est aussi là que réside la plupart des risques institutionnels réels.

Les LLM alimentent des outils comme ChatGPT, Claude et Gemini. Ils ne comprennent pas le sens comme le font les humains — ils prédisent les tokens les plus probables étant donné la conversation en cours. Cette prédiction est suffisamment fiable pour rédiger des plans de cours, résumer des articles et expliquer des concepts, mais elle signifie aussi que le modèle n'a aucune notion intrinsèque de la vérité. Traitez ses résultats comme une première ébauche confiante, jamais comme une source vérifiée.

Exemple — Demander à un LLM de rédiger un plan de séquence sur la photosynthèse pour la 5e en moins de cinq secondes — fluide, structurellement cohérent, et qui nécessite tout de même une relecture enseignante.

Attention — La fluidité n'est pas l'exactitude. Une réponse grammaticalement parfaite peut néanmoins être erronée.

Les grilles d'évaluation rendent l'évaluation lisible pour les élèves avant qu'ils ne soumettent leur travail, ce qui améliore à la fois la production et les retours. L'IA est efficace pour rédiger des premières ébauches de grilles à partir des objectifs d'apprentissage, et pour les appliquer de manière cohérente à de nombreuses soumissions. Les enseignants doivent toutefois procéder à un étalonnage sur de vrais échantillons d'élèves — le modèle ne sait pas ce que produit réellement votre classe de 4e.

Les hallucinations sont une caractéristique structurelle du fonctionnement des LLM, pas un bug qu'on peut totalement éliminer. Le modèle optimise pour un langage qui semble vraisemblable, non pour la vérité. Les citations fabriquées, les événements historiques inventés, les citations attribuées à de vraies personnes et les calculs faux mais confiants sont tous courants. Le rôle de l'enseignant est de vérifier tout ce que le modèle affirme comme un fait avant de l'utiliser avec des élèves.

Exemple — Une IA invente une étude revue par des pairs avec un nom de revue, des auteurs et un DOI qui semblent réels, mais qui ne renvoient à rien.

Attention — Plus le ton est assuré, plus vous devez vérifier.

Un bon prompt précise le rôle, le public, les contraintes, le format et des exemples. L'ingénierie des prompts n'est pas une formule magique — c'est de la rédaction technique claire appliquée à un lecteur particulier. Les mêmes compétences qui font un bon cahier des charges de cours font un bon prompt : des objectifs précis, des critères de réussite explicites, un échafaudage et un exemple du résultat souhaité.

Exemple — Plutôt que "Rédigez un quiz sur la Révolution française", essayez : "Vous êtes un professeur d'histoire de 4e. Rédigez cinq questions à choix multiples sur les causes de la Révolution française au niveau de compréhension de la taxonomie de Bloom, avec un corrigé et une justification d'une phrase pour chaque bonne réponse."

L'IA n'a pas inventé le problème de l'intégrité académique, mais elle l'a reconfiguré. La question utile n'est plus "ont-ils utilisé l'IA" mais "cette soumission représente-t-elle honnêtement la compréhension de l'apprenant". Cela requiert une politique qui nomme les usages autorisés et non autorisés, une conception des évaluations qui rend le processus visible, et des conversations avec les élèves sur les raisons pour lesquelles l'intégrité compte au-delà de la note.

La minimisation des données est le principe de confidentialité le plus utile dans le travail avec l'IA. Les données que vous n'avez jamais collectées ne peuvent pas être violées, vendues, saisies ou détournées. Avant toute adoption de l'IA, demandez-vous : quel est le jeu de données minimal qui permet ce fonctionnement, et pouvons-nous supprimer davantage d'identifiants. La logique par défaut de la plupart des fournisseurs est de collecter davantage — votre rôle est de négocier à la baisse.

La plupart des grands modèles IA modernes sont des boîtes noires en pratique. On peut voir ce qui est entré et ce qui est sorti, mais pas pourquoi. Pour les usages à fort enjeu — notation, orientation, intervention — c'est un vrai problème. La mitigation est procédurale plutôt que technique : revue humaine pour les décisions conséquentes, journaux d'audit, droit de contester les décisions automatisées.

Attention — Si un fournisseur ne peut pas expliquer pourquoi son modèle a pris une décision, vous ne devriez pas laisser cette décision tenir seule.

Les modèles de maturité donnent à la direction un langage commun pour une auto-évaluation honnête. Les niveaux typiques vont de l'expérimentation ad hoc, aux pilotes coordonnés, à la pratique définie, à l'amélioration mesurée, jusqu'à la culture ancrée. L'objectif n'est pas d'atteindre le sommet à toute vitesse — c'est de savoir où vous en êtes réellement et d'investir honnêtement dans l'étape suivante.

Les détecteurs IA ne sont pas fiables. Les faux positifs — signaler un vrai travail d'élève comme généré par IA — sont courants, en particulier pour les locuteurs non natifs et les élèves au style d'écriture formel. Les faux négatifs sont triviaux à produire avec une légère modification du texte. De grands éditeurs ont revu à la baisse leurs affirmations de précision. La plupart des enseignants avertis traitent la sortie d'un détecteur comme un point de départ à la discussion, jamais comme une preuve.

Attention — Ne fondez jamais une décision d'intégrité académique sur le seul score d'un détecteur. L'exposition juridique et éthique est réelle.

La pédagogie de la surveillance est ce qu'on obtient quand la réponse aux préoccupations d'intégrité académique est davantage de surveillance plutôt qu'une meilleure conception des évaluations. Elle tend à éroder la confiance, à stresser de manière disproportionnée les élèves déjà marginalisés, et à produire des rendements décroissants. La solution la plus saine est généralement de repenser l'évaluation, pas de surveiller l'évaluation.

L'analytique de l'apprentissage a promis une identification précoce des élèves en difficulté. La réalité est mitigée : les signaux sont bruités, les modèles reposent souvent sur des hypothèses qui désavantagent certains groupes, et l'"alerte précoce" peut devenir une prophétie autoréalisatrice. Utilisez ces plateformes pour initier des conversations humaines, pas pour attribuer des étiquettes.

Attention — Un "score de risque" est une hypothèse, pas un diagnostic.

Un plongement lexical transforme une phrase, un paragraphe ou un document en une longue liste de nombres — une coordonnée dans un "espace de sens". Deux passages au sens similaire se retrouvent proches l'un de l'autre, même s'ils ne partagent aucun mot. Les plongements constituent le mécanisme de recherche au sein des systèmes RAG, des vérifications de similarité apparentées à la détection de plagiat et de nombreuses fonctionnalités de recommandation.

Une politique IA utile est précise, limitée dans le temps et révisable. Elle nomme les outils quand elle le peut, les comportements quand elle le doit, distingue selon le type de cours ou de tâche, et inclut à la fois les élèves et le personnel. Une mauvaise politique est une seule phrase interdisant l'"IA" comme si ce terme était bien défini. Prévoyez de la réviser chaque année — le terrain bouge encore.

Les pré-tests diagnostiques sont sous-utilisés. Ils vous indiquent qui a besoin du prochain cours, qui a besoin du cours précédent, et qui est prêt à aller plus loin. L'IA peut générer des items diagnostiques rapidement et les corriger. La partie actionnable est ce que vous changez dans le cours du lendemain quand les données arrivent.

Le RGPD s'applique partout où la personne concernée se trouve dans l'UE, quel que soit le lieu d'implantation de l'établissement. Il établit des bases légales pour le traitement, des droits des personnes concernées (accès, suppression, portabilité) et des sanctions élevées en cas de violation. Pour l'IA, les questions délicates portent sur les données d'entraînement, le profilage et la prise de décision automatisée — des domaines que le règlement aborde explicitement.

Les sondes de représentation erronée sont de l'or diagnostique. Fondées sur des recherches sur la façon dont les élèves pensent réellement de manière incorrecte sur des concepts précis — les lois de Newton, l'évolution, les fractions — elles montrent si l'enseignement a fait évoluer le modèle conceptuel ou seulement le vocabulaire. L'IA peut générer de bonnes premières ébauches de sondes, mais les plus solides viennent d'enseignants qui connaissent les erreurs typiques de leurs élèves.

Exemple — "Une balle lourde et une balle légère sont lâchées de la même hauteur. Laquelle touche le sol en premier ?" — les réponses révèlent des intuitions aristotéliciennes sur la gravité qu'aucune quantité de lecture du manuel n'efface.

La surveillance d'examen par IA est l'une des catégories les plus contestées de l'edtech. Elle soulève de vraies questions en matière de vie privée, d'équité et de précision : les élèves handicapés, ceux vivant en habitat partagé et ceux à la peau plus foncée ont tous été documentés comme plus souvent signalés. De nombreux établissements s'éloignent de la surveillance au profit d'une refonte des évaluations — voir évaluation authentique et tâche de performance.

Attention — Un signalement n'est pas une preuve. Traitez la sortie d'un système de surveillance comme une invite à la vérification humaine, jamais comme un verdict.

Les systèmes adaptatifs vont de simples exercices à embranchements à de véritables moteurs pilotés par IA qui reséquencent le contenu en temps réel. Ils fonctionnent mieux pour des domaines de compétences bien définis — littératie précoce, calcul, grammaire des langues — et moins bien là où l'apprentissage est ouvert. Le modèle pédagogique qui sous-tend le système compte plus que l'IA sous-jacente.

Le LMS est l'endroit où les fonctionnalités IA atterrissent en premier dans la plupart des établissements : aide à la notation assistée par IA, retours sur les ébauches, grilles générées automatiquement, chat intégré. Tout ce que vous adoptez doit bien fonctionner avec le LMS, sinon cela reste en marge. Le LMS est aussi là où vivent la plupart des données des élèves, ce qui en fait l'endroit où les questions de vie privée se posent le plus fortement.

Les tâches de performance intègrent le contenu et les compétences : rédiger un article et le défendre à l'oral, concevoir une expérience et analyser les résultats, construire une maquette et expliquer les compromis d'ingénierie. Elles sont plus difficiles à simuler avec l'IA car l'évaluation inclut le faire, pas seulement l'artefact. Elles sont aussi plus longues à noter — exactement là où l'assistance IA, bien utilisée, aide les enseignants.

La taxonomie de Bloom est le vocabulaire le plus partagé entre enseignants pour parler de la demande cognitive. En matière d'IA, elle est particulièrement utile comme échafaudage de prompt : demander au modèle des questions au niveau "application" plutôt qu'"analyse" ou "évaluation" produit des résultats sensiblement différents. La taxonomie n'est pas un dogme, mais c'est un langage commun qui vaut la peine d'être utilisé.

Une température basse (proche de 0) produit des réponses plus déterministes et prudentes — utile pour les grilles d'évaluation, les résumés factuels et les sorties structurées. Une température plus élevée produit des réponses plus créatives et variées — utile pour le brainstorming, la génération de questions de discussion ou la rédaction d'exemples d'écriture créative. La plupart des outils de chat grand public masquent ce paramètre, mais il apparaît dans l'accès à l'API et sur certaines plateformes axées sur l'éducation.

Attention — Une température basse ne signifie pas précis. Cela signifie seulement cohérent.

Les modèles découpent le texte en tokens avant de le traiter. En français, une règle approximative est qu'un token correspond à environ trois quarts d'un mot. Les tokens importent car la plupart des outils d'IA facturent à l'usage de tokens et limitent le nombre qui tient dans une seule conversation. Les longs fichiers PDF, les transcriptions et les portfolios d'apprenants peuvent rapidement atteindre ces limites.

Exemple — Un essai de 1 000 mots représente environ 1 300 tokens — la moitié d'un chapitre de manuel en représente plutôt 8 000.

Introduite en 2017, l'architecture transformer permet à un modèle de pondérer la pertinence de chaque mot par rapport à tous les autres mots de la saisie. Cette attention parallèle est ce qui a rendu les LLM évolutifs. Les enseignants n'ont pas besoin d'implémenter des transformers, mais connaître le terme aide à lire la documentation, les travaux de recherche ou les argumentaires commerciaux.

Attention — "Transformer" en IA n'a rien à voir avec les jouets ou les composants électriques — c'est purement une architecture de modèle.

Les tuteurs IA vont du simple bot de drill-et-feedback aux systèmes socratiques plus riches qui posent des questions en retour. Les meilleurs refusent explicitement de donner directement la réponse. Les moins bons sont des machines à faire les devoirs déguisées. La qualité varie énormément selon la matière — le tutorat en mathématiques tend à être plus fiable que le tutorat en rédaction, où le modèle peut induire en erreur avec assurance sur le style et le fond.

Attention — Si le tuteur ne dit jamais "Je ne sais pas" ou "Réessayez", c'est probablement une machine à faire les devoirs déguisée.