Les cartes que nous avons copiées — et ce qu’elles nous apprennent sur l’IA en éducation

Vous vous souvenez du jour où le professeur de géographie nous a demandé de dessiner une carte des chaînes de montagnes du pays ? Et une carte des fleuves d’Afrique et d’Amérique du Sud ?

Où trouvions-nous l’information — et les cartes elles-mêmes ? Dans les livres, ou plus tard sur Internet. Nous copiions littéralement les cartes de là sur notre feuille.

Et le professeur ne nous accusait pas de manquer d’originalité. Il n’a jamais attendu de nous que nous créions ces cartes à partir de rien. Mieux encore : la carte, au fond, ne l’intéressait pas, et il n’espérait nullement faire de nous des cartographes ou des artistes visuels.

Ce que le professeur nous faisait faire, c’était interagir avec l’objet d’étude. Pas la carte elle-même — la géographie du pays ou du continent : les plus hauts sommets, les plus longs fleuves, la position des choses les unes par rapport aux autres. Par un processus mécanique et physique de reproduction et d’engagement, nous apprenions l’objet d’étude. La carte était le support. La géographie était la leçon.

Piaget aurait reconnu le geste : nous apprenons en construisant notre propre version du monde, non en la recevant. Et Bruner a nommé l’échelle que nous gravissions sans le savoir — du faire à l’image, puis au symbole : énactif, iconique, symbolique. La main traçait, la carte prenait forme, et la géographie devenait quelque chose que nous pouvions enfin dire.

La recherche sur l’apprentissage cartographierait plus tard le terrain autour de ce geste. Tracer physiquement une représentation allège la charge cognitive et ancre l’attention près de la main — une pratique aussi ancienne que les lettres rugueuses de Montessori. Fabriquer une représentation que l’on génère soi-même — sélectionner, organiser, placer — est l’une des façons les mieux documentées d’apprendre quoi que ce soit. Et personne, pour autant que je sache, n’a jamais mené l’étude contrôlée sur la copie des chaînes de montagnes d’un manuel. Nos professeurs ne connaissaient pas non plus le mécanisme. Ce qu’ils savaient, c’était concevoir un devoir où produire la chose nous obligeait à continuer de regarder la chose. Et la distinction copié-versus-généré est exactement là où l’IA devient intéressante — parce que la version IA de ce devoir est générative par construction.

L’IA en éducation peut être conçue pour jouer exactement le rôle que jouait ce devoir de cartes : un outil pour interagir avec l’objet d’étude de façons ludiques et créatives, afin que les apprenants l’apprennent au passage. Non pas est — peut être. La distance entre ces deux verbes est tout l’art de la conception des devoirs. Seymour Papert a appelé l’idée sous-jacente le constructionnisme — apprendre en fabriquant quelque chose qui a du sens — des décennies avant que quiconque ne soumette un prompt à un modèle d’images. (Le propre parcours de Papert porte une mise en garde utile : fabriquer ne se transférait pas automatiquement en aptitudes générales de pensée. L’apprentissage vit dans l’engagement spécifique — ce qui est précisément la thèse défendue ici.)

Trois décennies après la date limite

Voici la partie inconfortable. AltaVista a ouvert le texte intégral du Web à quiconque en décembre 1995 — il y a trois décennies. Et soyons précis sur ce que cela a changé. Cela n’a pas rendu la mémorisation obsolète : récupérer un savoir depuis sa propre mémoire reste l’un des moyens les mieux attestés de faire tenir l’apprentissage. Ce que cela a rendu difficile à justifier, c’est un autre genre de travail scolaire : le devoir dont toute l’exigence intellectuelle consiste à trouver un fait qu’un moteur de recherche fait surgir en quelques secondes — quoi, où, quand, qui — et à le recopier dans un livrable.

Alors pourquoi nous obstinons-nous à donner des devoirs bâtis sur la récupération et la reproduction rudimentaires d’informations — le barreau le plus bas de toutes les taxonomies de l’apprentissage que nous ayons, du se souvenir de Bloom au rappeler et reproduire de Webb ? Les outils ont rendu ces tâches triviales il y a trente ans. Les devoirs ont survécu aux outils.

Les éducateurs l’ont vu immédiatement : l’année même du lancement d’AltaVista, Bernie Dodge et Tom March ont construit la WebQuest autour d’une seule règle — un devoir sur le Web doit aller au-delà de la recherche de faits. La refonte est disponible depuis trente ans. La scolarisation de masse, pour l’essentiel, ne l’a pas adoptée. (Quand TNTP a suivi près de 4 000 élèves en 2018, elle a constaté plus de 500 heures par année scolaire consacrées à des devoirs en dessous du niveau attendu — données de praticiens, non revues par les pairs, mais voilà la taille de l’habitude.)

Le même devoir, avec l’IA dans la pièce

Mais avant de devenir trop techniques, revenons à nos cartes et faisons entrer l’IA dans le tableau. Et si le professeur, au lieu de nous faire dessiner la carte, donnait comme consigne :

Avant de générer quoi que ce soit, identifie les dix plus hauts sommets à partir de sources géographiques faisant autorité et esquisse l’endroit où tu t’attends à trouver chacun. Puis crée la carte avec l’IA — et audite chaque sommet pour le nom, le rang, l’altitude et l’emplacement au regard de tes sources, en notant chaque erreur, jusqu’à ce que la carte satisfasse les preuves (pas le modèle).
Trace une ligne reliant le plus haut sommet de chaque chaîne par ordre décroissant d’altitude — en partant du plus haut, en finissant au plus bas.
Crée une infographie comparant nos chaînes de montagnes et nos sommets avec les Andes, les Alpes et l’Himalaya — chaque chiffre vérifié contre une source que tu peux nommer.
Produis un selfie de toi au sommet de chacun des dix plus hauts pics — audité pour la vraie montagne : la bonne végétation, la bonne limite des neiges (s’il y en a une), le bon air, la bonne vue derrière toi. Chaque détail plausible-mais-faux que tu attrapes est de la géographie apprise.
Enfin, IA éteinte : sur un fond de carte vierge, place de mémoire les cinq plus hauts sommets et explique le motif que tu vois désormais.

Il n’est pas difficile d’imaginer qu’en 2026, la plupart des outils d’IA courants s’y casseront les dents — et échoueront à produire les résultats attendus, à moins d’être guidés avec soin, encore et encore, jusqu’à ce que la sortie soit juste.

Aucun problème avec cela. C’est le devoir qui fonctionne.

Parce que pour placer le sommet numéro sept au bon endroit, à la bonne altitude, l’apprenant doit savoir où se trouve le sommet numéro sept — et prendre l’IA en flagrant délit quand elle le met ailleurs. Pour rendre le selfie fidèle à l’environnement, l’apprenant doit découvrir à quoi ressemble réellement le sommet de cette montagne. Chaque itération, chaque correction, chaque « non, c’est faux, corrige » est un passage de plus à travers l’objet d’étude. Remarquez qui fait la vérification, la comparaison, l’insistance : pas l’outil — l’apprenant.

L’expérience de terrain la plus solide dont nous disposons dit la même chose depuis l’autre direction. Des lycéens disposant d’un ChatGPT sans restriction ont obtenu des scores 48 % meilleurs pendant l’entraînement — et 17 % moins bons que leurs camarades qui n’avaient jamais eu l’IA, une fois l’IA retirée au moment de l’examen. La même IA, reconçue pour donner des indices plutôt que des réponses, a effacé le préjudice (Bastani et al., 2025). Donc l’itération peut devenir l’engagement — si chaque tour exige de l’apprenant qu’il inspecte le sujet, détecte ce qui est faux, décide ce qui change, vérifie la correction contre quelque chose d’extérieur au modèle, et explique pourquoi la nouvelle version est meilleure. Concevez-le avec moins de rigueur, et l’outil absorbe discrètement la pensée même que l’apprenant était censé exercer. Le devoir de cartes l’a toujours su. L’effort n’a jamais été dans la copie — il était dans l’engagement, et l’engagement est ce que nous gardons.

Rien de tout cela ne rapetisse le professeur. Le vrai travail du professeur a toujours été la conception de la zone — le mot est de Vygotsky — où la tâche se situe juste au-delà de ce que l’apprenant peut faire seul, soutenue par un étayage (le mot est de Wood, Bruner et Ross) jusqu’à ce qu’il puisse être retiré. Un devoir avec IA est, lui aussi, une conception de zone. Et itérer contre une vérification n’a rien de plus exotique que la pratique délibérée en habits neufs : une répétition exigeante à la limite de la capacité, avec un retour qui ne flatte pas.

Et remarquez autre chose : personne, dans ce devoir, n’est accusé de tricher pour avoir utilisé l’IA, tout comme personne ne nous a accusés d’avoir copié les fleuves d’Afrique. L’outil est déclaré, l’outil est le support — et l’apprentissage est conçu pour advenir quand même, à dessein.

Nous ne sommes pas devenus cartographes. Nous avons appris où étaient les montagnes. Nos apprenants ne deviendront pas ingénieurs de prompts. Ils apprendront ce qu’ils étudiaient réellement — si nous concevons le devoir pour que l’IA soit la carte, et jamais la leçon.

Noter le chemin, pas la carte

Si l’artefact ne prouve plus l’apprentissage, qu’est-ce qui le prouve ? Quatre couches. L’artefact — ce que le système humain-IA a produit. Le processus — ce que l’apprenant a décidé, rejeté et vérifié en chemin. La réflexion — ce que l’erreur la plus difficile a enseigné. Et le transfert — ce que l’apprenant sait désormais faire, IA éteinte. Ce n’est pas hypothétique : c’est ainsi que notre méthodologie Smoother évalue l’apprentissage, et ainsi que le aiLearning Challenge l’évalue également — le processus pesant plus lourd que le produit, et une défense en direct, sans IA dans la pièce, comme porte finale.

Rien de tout cela n’est une pratique orpheline. L’étagère du concepteur est pleine — les intelligences multiples de Gardner, lues correctement comme un rappel d’ouvrir de nombreuses portes vers le même objet d’étude et jamais comme une machine à étiqueter les apprenants ; le design thinking et les design sprints ; le prototypage itératif de l’agile ; l’apprentissage par projets et par problèmes, que le PBL Lab de Stanford formule en cinq P : problème, projet, produit, processus, personnes ; et le canon du design pédagogique avec lequel les éducateurs professionnels construisent — les conditions d’apprentissage de Gagné, le cycle expérientiel de Kolb, les premiers principes de Merrill, le 4C/ID de van Merriënboer, ADDIE, SAM, Understanding by Design. Ce sont les outils de l’éducateur, pas le cérémonial de l’apprenant : ils font leur travail du côté du concepteur du devoir, exactement là où Smoother les place.

L’objet d’étude n’a jamais été la carte. Il ne l’est toujours pas.

Cet essai est mon parallélisme et ma position professionnelle, énoncés comme miens. Les dates, le cadre des taxonomies, la distinction entre dessiner et tracer et le résultat de Bastani sont vérifiés contre les sources ci-dessous ; l’extension du constructionnisme aux devoirs médiés par l’IA est mon opinion d’expert, non un résultat de recherche. — Carlos Miranda Levy

Quatre perspectives

Tenez cet essai là où les preuves le tiennent. La recherche sur le dessin-pour-apprendre soutient la fabrication de représentations pour apprendre — mais elle a étudié des dessins que les apprenants génèrent, pas des copies ; tracer aide certains, générer aide davantage, et personne n’a jamais mené l’étude sur la copie des chaînes de montagnes d’un manuel. Carlos dit exactement cela, et c’est pourquoi l’argument résiste à l’examen. Et notez où son devoir reconçu mérite les preuves : il est génératif, il vérifie hors du modèle, et il se termine IA éteinte — les trois conditions qui, selon l’expérience de Bastani, séparent l’engagement de la capitulation.

Le vieil exercice de restitution coûtait un crayon. Celui-ci suppose des outils, une connexion et du temps d’itération — à la maison, là où tout cela est le moins également réparti. Si le devoir est conçu comme Carlos le propose, menez-le là où l’école peut égaliser l’accès, et ne notez jamais un apprenant sur la bande passante de sa famille. La version en cinq étapes a pourtant une discrète vertu d’équité : la dernière étape n’exige rien d’autre qu’un fond de carte vierge et ce qui est resté dans la tête de l’apprenant — et c’est l’étape qui compte.

Prends un devoir « cherche-et-recopie » que tu donnes déjà. Garde le sujet. Remplace le livrable par les cinq gestes : prédire d’abord, générer avec l’IA, auditer contre une source que tu nommes, recommencer jusqu’à ce que cela satisfasse les preuves, puis fermer l’ordinateur et reproduire l’essentiel de mémoire. Note les corrections que l’apprenant a attrapées, pas la beauté de la sortie. C’est toute la migration — un seul devoir, lundi matin.

L’outil n’a jamais été la leçon — l’interaction, si. Nos professeurs le savaient sans citations : ils concevaient des tâches où produire la chose nous forçait à regarder la chose. Conçois tes devoirs avec l’IA de la même façon, et la machine devient ce qu’était la carte copiée : le support à travers lequel un apprenant rencontre l’objet d’étude, et garde ce qui compte une fois l’outil disparu.

Références

Cités dans l’essai :

Anderson, L. W., & Krathwohl, D. R. (Eds.) (2001). A Taxonomy for Learning, Teaching, and Assessing. Longman.
Bastani, H., et al. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122(26), e2422633122.
Bruner, J. S. (1966). Toward a Theory of Instruction. Harvard University Press.
Cromley, J. G., Du, Y., & Dane, A. P. (2020). Drawing-to-learn. Journal of Science Education and Technology, 29(2), 216–229.
Dodge, B. (1995). Some Thoughts About WebQuests. San Diego State University.
Ericsson, K. A., Krampe, R. T., & Tesch-Römer, C. (1993). The role of deliberate practice in the acquisition of expert performance. Psychological Review, 100(3), 363–406.
Ginns, P., Hu, F.-T., Byrne, E., & Bobis, J. (2016). Learning by tracing worked examples. Applied Cognitive Psychology, 30(2), 160–169.
Papert, S. (1980). Mindstorms. Basic Books; Papert, S., & Harel, I. (1991). Situating constructionism. In Constructionism. Ablex.
Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning. Psychological Science, 17(3), 249–255.
TNTP (2018). The Opportunity Myth. (Practitioner research, not peer-reviewed.)
Van Meter, P., & Garner, J. (2005). The promise and practice of learner-generated drawing. Educational Psychology Review, 17(4), 285–325.
Vygotsky, L. S. (1978). Mind in Society. Harvard University Press.
Wammes, J. D., Meade, M. E., & Fernandes, M. A. (2016). The drawing effect. Quarterly Journal of Experimental Psychology, 69(9), 1752–1776.
Webb, N. L. (2002). Depth-of-Knowledge Levels for Four Content Areas; Webb, N. L. (1997). Research Monograph No. 6. CCSSO/NISE.
Wood, D., Bruner, J. S., & Ross, G. (1976). The role of tutoring in problem solving. Journal of Child Psychology and Psychiatry, 17(2), 89–100.

Lectures complémentaires — dont l’OECD 2026 Digital Education Outlook, les orientations de l’UNESCO sur l’IA générative, la méta-analyse Chen & Cheung 2025, Olney & Cade sur l’apprentissage par la correction des erreurs de l’IA, la littérature sur le transfert de Logo (Pea & Kurland ; Swan ; Scherer et al.) et le 4C/ID de van Merriënboer — sont rassemblées dans le dossier de preuves de l’essai.