🤝🧠✨ Co-penser avec l’IA : transformer l’apprentissage sans perdre l’esprit critique
Date de publication le 25 mai 2025
(Temps de lecture : ~8 min)
Introduction : « ChatGPT a-t-il toujours raison ? » 💡
En classe de sciences, Léa interroge un chatbot sur l’origine des marées. La réponse s’affiche instantanément ; son camarade Issa constate une imprécision et, avec l’enseignante, reformule le prompt pour obtenir un résultat plus rigoureux. Cet aller-retour n’est pas anodin : il illustre la co-pensée (human-AI co-thinking), un processus où l’IA devient partenaire cognitif plutôt que fournisseur automatique de solutions. Le rapport Empowering Education Through Ethical AI rappelle qu’il s’agit de « rester intellectuellement présent, sans s’en remettre à la machine »
1. Qu’est-ce que la co-pensée ? 🧠🤖
La co-pensée se définit comme un dialogue itératif : l’IA propose une première ébauche, l’utilisateur questionne, conteste, affine, puis tranche en dernier ressort. Ce va-et-vient nourrit la métacognition : les apprenants détectent biais ou incohérences, évaluent la validité logique et reformulent avec leurs propres mots.
« L’IA devient un partenaire de réflexion, pas un raccourci »
Pourquoi ce n’est pas du copier-coller
Responsabilité : la décision finale reste humaine.
Appropriation : l’élève restructure l’information, développe son raisonnement.
Transparence : l’origine des idées est expliquée, documentée et discutée.
2. Pourquoi est-ce crucial ? 🚀
Compétences critiques du XXIᵉ siècle – savoir interroger un modèle, repérer ses angles morts et confronter ses réponses à d’autres sources est devenu indispensable dans une société algorithmique.
Prévention de la dépendance – sans co-pensée, l’IA risque de devenir une béquille intellectuelle réduisant l’effort cognitif.
Conformité réglementaire – l’IA Act européen impose supervision et traçabilité ; la co-pensée répond à ces exigences en gardant l’humain « dans la boucle ».
Petit encadré : des études internes (p. 2 du rapport) montrent que la rétention d’information augmente de 23 % lorsque l’élève questionne activement l’IA plutôt que de copier son contenu
3. Le processus en quatre étapes 🔄
| Étape | Ce que fait l’élève | Astuces & outils |
|---|---|---|
| 1 – Formuler le besoin | Clarifie objectifs, contexte, critères | Gabarit de prompt : Rôle – Tâche – Contexte – Format |
| 2 – Analyser la sortie | Vérifie cohérence, sources, biais | Checklist : logique ? sources vérifiables ? stéréotypes ? |
| 3 – Itérer & dialoguer | Demande précisions, exemples inverses | Fonctions regenerate et explain step by step |
| 4 – Synthétiser humainement | Reformule, cite et prend position | Tableau comparatif IA ↔ sources académiques |
4. Mises en œuvre pédagogiques 🏫
Activités rapides
Micro-débat : l’IA propose un argument ; les étudiants trouvent des contre-arguments et notent la solidité des deux points de vue.
Erreur intentionnelle : l’enseignant insère une fausse donnée dans le prompt, charge aux élèves de la repérer.
Projets longs
Recherche documentaire : prompts successifs pour élargir ou restreindre le champ, notation portant sur la qualité des questions posées.
Comparaison humain ↔ IA : deux groupes répondent à une même problématique, l’un sans IA, l’autre avec ; leur travail est ensuite croisé et critiqué collectivement.
Évaluation formative
Rubrique centrée sur le processus : pertinence du prompt, pertinence de la critique, reformulation finale.
Badge numérique « AI critical thinker » remis après validation d’un scénario de co-pensée complet.
5. Enjeux éthiques & garde-fous ⚖️
| Risque | Bonne pratique |
|---|---|
| Biais algorithmiques | Diversifier les sources, demander à l’IA de lister ses hypothèses implicites. |
| Confidentialité | Anonymiser toutes données personnelles avant soumission. |
| Plagiat | Citer les parties générées, reformuler, ajouter une contribution personnelle significative. |
Le rapport insiste : « Les étudiants doivent interroger, affiner, juger »
– sans quoi l’IA reste un outil opaque, non un tremplin intellectuel.
6. Ressources pratiques 📚
Templates de prompts (voir ci-dessous la section « Templates de prompts prêts à l’emploi »).
Checklist métacognitive (voir ci-dessous la section « Checklist métacognitive – « Je reste intellectuellement présent » »).
Conclusion & appel à l’action 🙌
Co-penser avec l’IA revient à augmenter la réflexion humaine, non à la déléguer. Testez dès cette semaine une micro-activité de co-pensée ; partagez vos retours en commentaire pour enrichir la pratique collective. Ensemble, faisons de l’IA un catalyseur de curiosité, de rigueur et de créativité !
📄 Templates de prompts prêts à l’emploi (section 6)
Tous les modèles suivent la logique Rôle → Tâche → Contexte → Contraintes → Format afin d’encourager la co-pensée ; il suffit de remplacer les [crochets] par vos paramètres.
1️⃣ Gabarit « Question experte »
Utilisez-le pour demander une explication rigoureuse, adaptée à votre niveau.
« RÔLE : Tu es [expert·e] en [discipline] qui vulgarise sans dégrader la rigueur scientifique.
TÂCHE : Expliquer [concept / phénomène] à des étudiants de L2.
CONTEXTE : Les apprenants ont déjà vu [prérequis].
CONTRAINTES :
• employer un vocabulaire accessible (niveau B2)
• citer au moins deux sources académiques récentes (≤ 5 ans)
FORMAT DE SORTIE :
1. Définition concise (≤ 80 mots)
2. Illustration concrète
3. Références APA »
2️⃣ Gabarit « Analyse critique d’une réponse »
Pour entraîner les étudiants à vérifier la cohérence d’un contenu généré.
« RÔLE : Agis comme relecteur scientifique.
TÂCHE : Passer en revue la réponse suivante et identifier :
a) erreurs factuelles ; b) raisonnements non justifiés ; c) biais possibles.
CONTEXTE : Réponse IA = « » »[coller ici la réponse de l’IA] » » »
CONTRAINTES :
• justifier chaque critique par une source fiable
• proposer une version corrigée de l’énoncé fautif
FORMAT DE SORTIE : Tableau → Colonne 1 = Problème, Colonne 2 = Justification, Colonne 3 = Correction »
3️⃣ Gabarit « Recherche documentaire guidée »
Idéal pour un projet long où le questionnement évolue.
« RÔLE : Bibliothécaire numérique expert en sciences.
TÂCHE : Construire une bibliographie commentée sur [thème].
CONTEXTE : Niveau L2, besoin d’articles en libre accès.
CONTRAINTES :
• uniquement des articles depuis 2020
• inclure DOI et lien OA / preprint
• classer par sous-thèmes pertinents
FORMAT DE SORTIE :
– <Sous-thème 1>
• Référence complète
• Résumé (3 lignes)
• Pourquoi pertinent ?
– <Sous-thème 2> … (etc.) »
4️⃣ Gabarit « Contre-exemple et nuance »
Pour pousser l’IA à élargir ou nuancer un point de vue.
« RÔLE : Philosoph(e) sceptique.
TÂCHE : Générer trois contre-arguments solides et un exemple concret qui nuance l’affirmation suivante :
« [l’énoncé de départ] ».
CONTRAINTES :
• contre-arguments distincts (logique / éthique / empirique)
• citer une source ou une étude pour chacun
• conclure par une synthèse équilibrée
FORMAT DE SORTIE : Liste numérotée + paragraphe de synthèse
«
5️⃣ Gabarit « Détection de biais »
Utile pour sensibiliser à l’équité algorithmique.
« RÔLE : Chercheur spécialisé en éthique de l’IA.
TÂCHE : Évaluer le texte suivant pour déceler d’éventuels biais culturels, de genre ou socio-économiques.
CONTEXTE : Texte = « » »[coller le texte] » » »
CONTRAINTES :
• repérer au moins 3 biais potentiels
• expliquer le mécanisme de chaque biais
• proposer une reformulation inclusive
FORMAT DE SORTIE : Tableau → Biais | Preuve dans le texte | Reformulation inclusive »
Conseils d’utilisation rapide
**Personnalisez toujours le Rôle ** pour obtenir le registre voulu (expert, vulgarisateur, mentor…).
Soyez précis sur les contraintes : niveau de langue, longueur, format de sortie.
Interrogez la réponse : relancez avec « Explique la logique », « Détaille ta source », etc.
Conservez vos prompts dans un document partagé ; les étudiants peuvent itérer dessus en groupe.
Ces templates constituent une boîte à outils pour pratiquer la co-pensée et développer l’esprit critique tout en exploitant la puissance de l’IA.
📋 Checklist métacognitive – « Je reste intellectuellement présent »
À utiliser à chaque interaction avec un outil d’IA pour transformer la réponse machine en véritable exercice de pensée critique.
| Moment | Questions à se poser | Pourquoi ? |
|---|---|---|
| 1. Avant de lancer le prompt | ✅ Ai-je clairement défini mon objectif ? ✅ Quels prérequis / connaissances puis-je mobiliser ? ✅ Quelles contraintes (longueur, registre, sources) dois-je imposer ? | Clarifier le besoin évite un prompt vague et place l’élève dans une posture active de planification |
🤖✨ IA éthique : transformer l’apprentissage tout en gardant l’humain au centre
Date de publication 24 mai 2025
🤖✨ 1. Pourquoi parler d’IA éthique à l’école ? 📚
L’intelligence artificielle générative pénètre déjà la vie quotidienne des élèves : recherche d’information, aide à la rédaction, correction automatisée. Or, sans garde-fous, ces outils peuvent reproduire des biais sociétaux, menacer la vie privée ou laisser croire à une neutralité technique inexistante. Le rapport Empowering Education Through Ethical AI rappelle que l’enjeu n’est pas d’« externaliser » la décision à la machine, mais de maintenir une supervision humaine constante pour garantir esprit critique, responsabilité et transparence
2. La co-pensée humain-IA
La co-thinking décrite dans le rapport consiste à traiter l’IA comme partenaire cognitif : l’IA propose, l’élève questionne, reformule, teste, puis valide ou rejette la réponse.
Ce va-et-vient maintient l’élève « intellectuellement présent » et développe une métacognition :
- repérage de biais,
- vérification factuelle,
- argumentation éthique
Concrètement :
Formulation experte du prompt (clarifier le problème, contraindre la réponse).
Analyse critique de la sortie : logique, sources, cohérence disciplinaire.
Itération : affiner la question, demander explications, contre-exemples.
Synthèse humaine : l’élève reformule avec ses propres mots et prend position.
🔍💡 3. De l’« AI literacy » à la citoyenneté numérique
L’IA-littératie dépasse la simple capacité à « utiliser un outil » : il s’agit de comprendre comment les modèles calculent, où ils peuvent se tromper et pourquoi ils produisent certaines réponses
Les compétences décrites incluent :
| Volet | Compétence clé | Exemple d’activité |
|---|---|---|
| Conceptuel | Expliquer l’apprentissage automatique en termes accessibles | Schématiser le parcours « données ⇒ modèle ⇒ prédiction » |
| Technique | Identifier hallucinations ou erreurs factuelles | Vérifier une réponse de l’IA auprès de trois sources académiques |
| Éthique | Discuter des biais et de l’impact sociétal | Débat en classe : « Faut-il un droit à l’erreur pour l’IA ? » |
Ces habiletés outillent l’élève pour exercer un jugement éclairé dans la vie civique numérique
🌐🏫 4. Démocratiser l’IA dans toutes les disciplines
Le rapport insiste : l’IA n’est pas réservée aux filières STEM. Lorsqu’elle est correctement scénarisée, elle enrichit :
Histoire : générer des cartes conceptuelles de causes/conséquences d’un événement et les vérifier avec des archives.
Littérature : demander au modèle d’adopter un point de vue narratif différent, puis analyser la cohérence stylistique.
Biologie : simuler rapidement plusieurs hypothèses expérimentales avant le laboratoire.
L’objectif est de démocratiser l’intelligence et de réduire l’écart lié au capital socioculturel, en garantissant un accès équitable à ces outils pour tous les élèves
👩🏫🛠️ 5. Nouveaux rôles pour les enseignants
Les professeurs deviennent des architectes de parcours d’apprentissage augmentés :
Concepteur de tâches ouvertes : formuler des questions où l’IA enrichit la réflexion sans donner la solution ;
Facilitateur éthique : guider l’analyse des biais, la traçabilité des sources, la protection des données ;
Coach métacognitif : aider chaque étudiant à verbaliser sa stratégie de questionnement et de validation.
Pour endosser ces fonctions, la formation continue doit être pratique, modulaire et contextualisée — micro-ateliers centrés sur des cas de classe réels, mentorat entre pairs et expérimentation progressive .
⏱️❤️ 6. Libérer du temps… pour le lien humain
Le potentiel le plus tangible de l’IA réside dans l’automatisation des tâches à faible valeur ajoutée : corrections de QCM simples, synthèses administratives, préparation de supports individualisés. Selon le rapport, ces gains de temps permettent aux enseignants de se concentrer sur la relation pédagogique : suivi individualisé, feedback qualitatif, développement socio-émotionnel des élèves .
« AI should amplify the human impact of teachers, not reduce it. » – Empowering Education Through Ethical AI
En final, l’IA éthique ne vise pas seulement l’efficacité ; elle réaffirme la primauté de l’humain — créativité, empathie, esprit critique — comme cœur du métier d’enseigner.
🤖✨ EVALUER à l'ère de l'IA
Date de publication 24 mai 2025
Texte écrit à partir d’un exposé de Isabelle NIZET (Université de Sherbrooke) au VRAC Limoges du 22 mai 2025
🔍 Introduction : une ère nouvelle pour l’évaluation universitaire
L’irruption de l’intelligence artificielle générative (IAG) dans le monde académique bouleverse les fondements de l’évaluation des apprentissages. Rédaction automatisée, résolution de problèmes assistée, argumentation simulée… Ces usages remettent en cause la validité, l’authenticité et parfois la finalité de nos évaluations.
Plutôt que de céder à l’interdiction, il est temps de repenser nos pratiques pour concevoir des évaluations résilientes et intelligemment intégrées à ce nouvel environnement.
⚠️ 1. La fraude : symptôme d’un système sous tension
L’IA rend la fraude académique plus accessible : rédaction déléguée, usurpation d’identité, plagiat facilité. Mais ce n’est que le symptôme d’un système anxiogène, compétitif, où la réussite est perçue comme une obligation.
🎯 Plus l’évaluation est stressante et à fort enjeu, plus les comportements frauduleux augmentent.
Ce constat nous invite à interroger notre rapport à l’évaluation, et non simplement à la technologie.
🧩 2. Toute évaluation n’est pas également vulnérable
La menace IA ne pèse pas uniformément sur toutes les formes d’évaluation. Une typologie de la vulnérabilité peut être dressée :
| 🔒 Vulnérabilité faible | 🧠 Vulnérabilité forte |
|---|---|
| Examen écrit surveillé | Travail maison sans témoin |
| Entretien oral individuel | Projet non accompagné |
| Étude de cas en présentiel | Portfolio |
Deux critères sont déterminants :
🧭 Le niveau de contrôle (présence, surveillance, proctoring)
🧠 L’authenticité de la tâche (complexité, créativité)
🌱 3. Faut-il sacrifier la plus-value pédagogique ?
Les tâches complexes (analyse, débat, projet collaboratif) sont à haute valeur pédagogique. Ce sont aussi les plus vulnérables à l’IAG. Faut-il les abandonner ?
Non. Il s’agit plutôt de concevoir des tâches résilientes, capables de tirer parti de l’IA tout en mobilisant l’esprit critique, l’analyse et la capacité de discernement.
💡 L’enjeu n’est pas de fuir la complexité, mais de la réguler et de l’encadrer.
🛤️ 4. Quatre postures face à l’IA en évaluation
Plutôt qu’un choix binaire, adoptons une graduation des usages de l’IAG :
❌ Interdiction stricte : usage proscrit, conditions fortement contrôlées
⚠️ Autorisation encadrée : usage possible en amont (révision, brouillon)
🛠️ Usage contributif : l’IA sert d’assistante (amélioration, suggestion)
🚀 Usage requis : intégration explicite et guidée dans la tâche
Ce continuum pédagogique permet de s’adapter aux objectifs d’apprentissage tout en balisant l’usage de l’IAG.
🧠 5. Vers une “évaluation augmentée” avec l’IAG
Et si l’IAG devenait un levier d’apprentissage, au lieu d’un simple outil de fraude ? Voici des scénarios pédagogiques pour concevoir des tâches augmentées :
✍️ Concevoir un prompt efficace pour obtenir une réponse précise de l’IA
🔍 Évaluer la qualité des productions IA avec la méthode SIFT (Stop, Investigate, Find better, Trace)
🛠️ Améliorer une production générée par l’IA avec esprit critique
🧬 Comparer des réponses IA et humaines pour comprendre les biais et limites
📚 Mobiliser les connaissances personnelles pour dépasser les limites de l’IA
Ces approches permettent de développer des compétences métacognitives, numériques et épistémiques essentielles dans un monde où l’IA sera omniprésente.
✅ Conclusion : vers une évaluation plus authentique et plus humaine
L’IAG n’est pas qu’un défi technologique : elle invite à repenser la nature des preuves d’apprentissage.
Elle révèle aussi les tensions de notre système évaluatif et offre l’occasion de le rendre plus équitable, plus formateur, et plus connecté à la réalité professionnelle.
Plutôt que de diaboliser ou d’ignorer l’IA, choisissons de l’intégrer intelligemment. C’est dans cette posture réflexive et critique que l’évaluation retrouvera son sens.
Texte écrit à partir d’un exposé de Isabelle NIZET (Université de Sherbrooke) au VRAC Limoges du 22 mai 2025
🌟 L'apprentissage espacé : Une méthode efficace pour améliorer la rétention
L’apprentissage espacé, également connu sous le nom de « spaced learning », est une méthode pédagogique qui consiste à revoir les informations à intervalles de plus en plus longs. 📅 Ce principe repose sur l’idée que répéter l’apprentissage après des périodes d’oubli partiel permet de renforcer la mémoire à long terme. Les recherches montrent que cette approche peut améliorer la rétention de 70 % par rapport aux méthodes d’apprentissage traditionnelles. ✅ Cette efficacité prouvée en fait une stratégie précieuse pour les enseignants universitaires et les formateurs qui cherchent à améliorer la mémorisation de leurs étudiants ou collègues. De plus, cette technique est particulièrement utile dans le cadre d’une formation continue, car elle permet aux apprenants d’intégrer progressivement les nouvelles connaissances tout en consolidant les acquis antérieurs.
🧠 Pourquoi l’apprentissage espacé fonctionne-t-il ?
L’apprentissage espacé tire parti de l’effet de l’oubli naturel du cerveau humain. 🧩 Lorsqu’une information est révisée après un certain temps, l’effort de récupération active la mémoire et renforce la consolidation neuronale. À chaque répétition espacée, l’intervalle entre les révisions peut être allongé, car l’information est de plus en plus ancrée dans la mémoire à long terme. 🔁 De plus, cette méthode oblige l’apprenant à mobiliser activement ses connaissances, ce qui améliore non seulement la rétention mais aussi la compréhension conceptuelle. Il est prouvé que cette mobilisation active stimule les réseaux neuronaux, favorisant ainsi la plasticité cérébrale et la capacité à retrouver les informations dans des contextes variés.
L'autoévaluation guidée : une pratique innovante pour dynamiser les apprentissages universitaires 
📌 Qu’est-ce que l’autoévaluation guidée ?
L’autoévaluation guidée consiste à permettre aux étudiants d’analyser et d’évaluer leur propre travail en se basant sur des critères précis et explicites définis par l’enseignant 📑. Cette méthode s’appuie sur une grille ou une échelle d’évaluation détaillant précisément les attentes pédagogiques et les compétences visées 📐. L’autoévaluation guidée n’est pas simplement un processus de notation personnelle, mais plutôt un moyen pour les étudiants de se situer par rapport à des objectifs clairs et partagés, facilitant ainsi une meilleure compréhension des exigences académiques et professionnelles de leur domaine d’études 🎓.
Selon Legendre (2022), l’autoévaluation est un « processus par lequel l’étudiant juge lui-même la qualité de son travail en fonction d’objectifs prédéfinis et en s’appuyant sur des critères précis » 📖. Cette approche implique un guidage précis de l’enseignant, qui doit assurer une compréhension claire des critères par les étudiants afin que l’autoévaluation demeure pertinente, constructive et motivante ✨
🎁 Bénéfices pédagogiques de l’autoévaluation guidée
✅ Autonomie et responsabilité : Les étudiants prennent conscience de leur progression et deviennent responsables de leur apprentissage. En identifiant eux-mêmes leurs réussites et leurs difficultés, ils sont davantage motivés à prendre des mesures correctives.
🧩 Métacognition : Les étudiants développent une meilleure compréhension de leurs stratégies d’apprentissage. Ils apprennent à identifier les stratégies efficaces et celles qui doivent être ajustées ou modifiées.
🚀 Motivation accrue : L’implication active renforce l’engagement et le sentiment de compétence des étudiants. Le fait d’être acteur de son évaluation renforce leur confiance en eux et leur intérêt pour la matière étudiée.
⚠️ Défis possibles et pistes de solutions
Malgré ses nombreux avantages, l’autoévaluation guidée peut rencontrer certaines difficultés 🚧. Par exemple, les étudiants peuvent initialement manquer de motivation ou éprouver des difficultés à comprendre précisément les critères. Pour pallier ces difficultés, il est recommandé d’impliquer activement les étudiants dès la conception des critères d’évaluation et de proposer des exemples concrets d’application réussie ou d’erreurs fréquentes afin de renforcer la compréhension des attentes 💬.
👩🏫 Rôle réflexif de l’enseignant
L’enseignant joue un rôle essentiel dans la réussite de l’autoévaluation guidée 🔑. Il doit lui-même adopter une posture réflexive, en s’interrogeant régulièrement sur la pertinence des critères choisis, la clarté des consignes fournies et l’efficacité de son accompagnement. L’autoévaluation de sa propre pratique permet à l’enseignant d’ajuster continuellement ses stratégies pédagogiques, renforçant ainsi l’efficacité globale du dispositif 🔄.
📚 Exemples d’application disciplinaire (scénarios contrastés)
🔬 En Sciences : Si un étudiant peine à interpréter correctement les résultats expérimentaux, l’enseignant peut offrir des ressources complémentaires ciblées.
⚖️ En Droit : Une mauvaise compréhension des critères peut nécessiter une séance supplémentaire d’explication collective.
✍️ En Lettres et Langues : Une difficulté récurrente comme l’utilisation insuffisante d’exemples précis peut faire l’objet d’ateliers spécifiques sur la méthodologie argumentative.
🔧 Mettre en œuvre l’autoévaluation guidée efficacement
🔹 Définissez clairement les critères d’évaluation : Impliquez les étudiants dans l’élaboration ou la clarification des critères pour assurer leur compréhension et leur adhésion. 🔹 Intégrez l’autoévaluation au cursus : Faites-en un élément régulier, associé à différentes activités pédagogiques afin d’encourager une pratique réflexive continue. 🔹 Favorisez un climat de confiance : Établissez une relation pédagogique positive et ouverte, garantissant aux étudiants la liberté d’exprimer honnêtement leurs points forts et leurs difficultés. 🔹 Accompagnez le processus : Prévoyez des moments de feedback collectif ou individuel pour revenir sur les autoévaluations, discuter des résultats et aider les étudiants à fixer des objectifs réalistes d’amélioration.
📖 Références
📌 Legendre, R. (2022). Concevoir une évaluation : l’autoévaluation. Université de Poitiers. Récupéré sur imedias.univ-poitiers.fr
📌 Nicol, D., & Macfarlane‐Dick, D. (2006). Formative assessment and self‐regulated learning: a model and seven principles of good feedback practice. Studies in Higher Education, 31(2), 199-218.
📌 Black, P., & Wiliam, D. (2009). Developing the theory of formative assessment. Educational Assessment, Evaluation and Accountability, 21(1), 5-31.
📌 Boud, D. (2013). Enhancing Learning through Self-assessment. Routledge.
1. Pourquoi parler d’IA éthique à l’école ? 📚
La Suisse – comme nombre de systèmes éducatifs – est à un tournant : l’intelligence artificielle peut élargir l’accès au savoir à condition que la supervision humaine reste la règle