Résumé: L'utilisation de l'IA pour l'apprentissage des mathématiques au primaire recèle un grand potentiel, mais comporte aussi des risques tels que la surcharge cognitive et la perte de compétences. Cet article développe quatre principes de conception : une base pédagogique solide, un dosage adaptatif basé sur le principe „ d'abord toi, ensuite moi “, l'activation métacognitive et l'intégration au programme scolaire („ l'enseignant au centre du processus “). Ce n'est que lorsque l'IA sera pédagogiquement solide, dosée de manière appropriée et intégrée au programme scolaire qu'elle renforcera la pensée mathématique autonome au lieu de l'entraver.

Le point de départ

L'intelligence artificielle générative suscite de grandes attentes, mais aussi des craintes tout aussi importantes, dans le discours éducatif. Il existe désormais une base empirique substantielle, quoique encore très hétérogène, permettant de tirer des conclusions quant à la conception de l'apprentissage assisté par l'IA. Des méta-analyses font état d'effets significativement positifs des systèmes d'IA sur les performances d'apprentissage, la motivation et les processus cognitifs supérieurs (Wang & Fan, 2025 ; Deng et al., 2025 ; Alemdag, 2025 ; Wu & Yu, 2024 ; Zheng et al., 2023). Une méta-analyse récente sur l'IA générative en mathématiques montre des effets d'ampleur modérée à bonne (Liu et al., 2025). Cependant, ces effets positifs se manifestent dans des conditions très différentes, certaines études présentent des faiblesses méthodologiques et, comme c'est souvent le cas pour les méta-analyses, on peut se demander si les études aux résultats particulièrement positifs ne sont pas publiées de manière sélective.

Cet article est donc une tentative de passer en revue et d'organiser les résultats initiaux et de les rendre utilisables pour une mise en œuvre dans les cours de mathématiques (à l'école primaire).

À cet égard, un autre constat est plus significatif que l'ampleur globale des effets observés dans les études : la grande majorité des études disponibles ont été menées auprès d'élèves plus âgés ou d'étudiants universitaires (Kuo et al., 2025 ; Liu et al., 2025 ; Son, 2024). Les recherches portant spécifiquement sur les enfants du primaire restent limitées. Une revue systématique récente des systèmes de tutorat intelligent (Létourneau et al., 2025) montre que seulement une quinzaine d'études concernent des élèves du primaire. De ce fait, nombre des considérations qui suivent reposent moins sur des résultats d'études directes concernant ce groupe cible que sur des considérations théoriques et des résultats obtenus auprès de groupes d'âge plus avancés.

En principe, il est peu utile (de même que les „ médias numériques “ en eux-mêmes n'ont pas d'effet d'apprentissage) de considérer un „ effet d'apprentissage avec l'IA “ comme une propriété de la technologie d'IA elle-même, au lieu de s'interroger sur l'environnement d'apprentissage sous-jacent et la pré-structuration didactique (Dinsmore & Fryer, 2026 ; Kirschner, 2025). La question cruciale n'est pas :, si L'IA générative peut avoir un impact sur les processus éducatifs, mais Comment Cet effet peut être produit. Se pose également la question de savoir quand l'IA ne devrait pas être utilisée.

Cet article aborde donc la question suivante : Comment l'IA peut-elle être utilisée pour soutenir les processus d'apprentissage des mathématiques à l'école primaire grâce à un retour d'information personnalisé, et dans quelles conditions cela est-il efficace ? La section suivante présente les principes de conception des assistants d'apprentissage et des tuteurs IA, étayés par des données empiriques et théoriques, selon nos connaissances actuelles. L'idée centrale est que l'apprentissage assisté par l'IA peut favoriser l'apprentissage des mathématiques, à condition d'être fondé sur une didactique spécifique à la discipline, d'être adapté au niveau des participants et intégré à un dispositif d'enseignement et d'apprentissage hybride. Sans ce cadre, il risque d'entraver, plutôt que de stimuler, la pensée critique.

Ces considérations constituent le fondement du développement et de l'expérimentation d'un système d'aide à l'apprentissage basé sur l'IA et intégré à une application, dans le cadre du projet PRIMA-AI. Elles ne sont pas définitives et évolueront au gré des développements des modèles et technologies d'IA, des nouvelles découvertes issues des études sur les tuteurs IA et des applications éducatives qui en découleront.

Cadre théorique

Avant d'aborder les principes de conception spécifiques, deux fondements théoriques de l'apprentissage pour les environnements d'apprentissage (assistés par l'IA) sont, à mon avis, constitutifs et servent d'outils analytiques pour la conception des systèmes de tutorat par l'IA.

Théorie de la charge cognitive

La théorie de la charge cognitive (Sweller, 2020) décrit la capacité limitée de la mémoire de travail comme une contrainte majeure pour la conception des ressources pédagogiques. Cette limitation a des conséquences directes pour les systèmes d'intelligence artificielle : l'IA générative peut présenter des informations rapidement et en grande quantité – textes, images, explications, visualisations, animations. Cependant, si les apprenants sont submergés d'informations et de stimuli sans pouvoir les traiter de manière pertinente pour l'apprentissage, même le meilleur contenu n'atteindra pas son objectif.

L'optimisation de cet aspect représente un défi majeur dans la conception de systèmes d'aide à l'apprentissage basés sur l'IA. L'étayage – la fourniture mesurée d'aide et d'explications – est crucial du point de vue de la théorie de la charge cognitive. Les tuteurs IA doivent doser les incitations, l'assistance et le soutien afin que la charge de la mémoire de travail reste dans une plage optimale (Cosentino et al., 2025). Un excès d'informations au mauvais moment n'est pas neutre, mais au contraire préjudiciable à l'apprentissage. La conséquence pour la conception du système est claire : la capacité à fournir les informations appropriées. produire, Ce n'est pas le seul facteur important pour un tuteur IA. La capacité à traiter l'information est presque plus importante encore. retenir et dosé à proposer.

Zone proximale de développement : l’adaptabilité requiert des compétences diagnostiques

La zone proximale de développement de Vygotsky décrit l'espace entre ce qu'un enfant peut accomplir seul et ce qu'il peut accomplir avec l'aide d'un partenaire plus compétent. Ce concept est fondamental pour la conception des systèmes de tutorat par IA : ces systèmes doivent „ savoir “ où se situe actuellement l'enfant et lui proposer des stimuli précisément dans cette zone proximale – ni trop faciles (sous-stimulants), ni trop difficiles (sur-stimulants).

Cela paraît évident, mais c'est exigeant sur les plans technique et pédagogique. Les systèmes adaptatifs doivent effectuer cette évaluation non pas ponctuellement, mais en continu (Wu et al., 2025 ; Kuo et al., 2025). Ils doivent déduire des données fournies par les apprenants leur niveau de compréhension, identifier les erreurs liées à des préconceptions, déterminer le type d'incompréhension à l'origine de l'erreur et définir la prochaine action productive. L'adaptabilité est donc la condition fondamentale pour qu'un système d'IA soit efficace dans l'apprentissage et le distingue des systèmes tutoriels purement déterministes qui génèrent un retour d'information plus ou moins pertinent ou superficiel selon des règles simples.

Connaissances procédurales et conceptuelles : des objectifs différents, un soutien différent

De ces deux perspectives théoriques émerge une autre distinction cruciale pour la conception de tuteurs IA : le type de soutien approprié dépend fondamentalement de l’objectif d’apprentissage spécifique poursuivi. Connaissances procédurales – Comment résoudre ce problème ? – nécessite un soutien autre que des connaissances conceptuelles – Pourquoi cela fonctionne-t-il ainsi ?

Un enfant qui s'exerce au calcul mental, notamment à l'addition et à la soustraction rapides, a besoin d'un retour d'information fréquent et précis sur ses résultats. En revanche, un enfant qui développe son sens des nombres doit être encouragé, par des questions ciblées et des activités pratiques, à construire et à approfondir sa compréhension de manière autonome. Il ne devrait pas se contenter de vérifier la démarche (idéalement, il devrait exister plusieurs solutions). Un système d'IA incapable de faire cette distinction risque d'être contre-productif, par exemple en fournissant des solutions trop rapidement lors de l'apprentissage conceptuel ou en surchargeant la mémoire de travail d'indications et de suggestions inutiles lors de la pratique procédurale. Makransky et al. (2024) le démontrent également : dans leur étude, un modèle spécifiquement entraîné selon ces principes a favorisé la compréhension conceptuelle, la confiance et le plaisir d'apprendre de manière significativement plus importante qu'un modèle de langage générique à grande échelle, et ces effets se sont maintenus lors du suivi. Cela signifie que même les modèles de langage les plus puissants ne peuvent pas nécessairement appliquer automatiquement et efficacement des connaissances didactiques spécifiques à une discipline sans une pré-structuration spécifique.

Ces trois perspectives théoriques — les limites de la mémoire de travail, la nécessité d'un positionnement adaptatif dans la zone proximale de développement et la différenciation selon les objectifs d'apprentissage — constituent un cadre dans lequel s'inscrivent les principes de conception suivants. Elles expliquent également pourquoi l'aide à l'apprentissage basée sur l'IA ne se résume pas à un simple problème technique : elle requiert des systèmes capables non seulement de répondre, mais aussi de posséder un modèle de l'apprenant, du sujet et du processus d'apprentissage.

De l'outil d'apprentissage à la prothèse de pensée

La présentation actuelle des recherches pourrait laisser croire que l'apprentissage assisté par l'IA possède un potentiel majoritairement positif qui ne nécessite qu'une optimisation technique. Cependant, une réalité plus nuancée se dessine. Certaines études ont montré qu'une utilisation incontrôlée et inappropriée de l'IA générative dans l'apprentissage peut non seulement s'avérer moins efficace qu'escompté, mais aussi court-circuiter le développement cognitif fondamental et, par conséquent, entraver l'apprentissage.

Décharge cognitive : quand le soutien devient dépendance

Le problème le plus fondamental peut être décrit comme le Décharge cognitive En résumé : les apprenants délèguent leur effort cognitif à l’IA au lieu de le réaliser eux-mêmes. Gerlich (2025) met en évidence, dans une analyse récente, une corrélation négative remarquablement élevée (r = −0,75) entre l’utilisation intensive de l’IA et le développement de l’esprit critique, cette relation étant particulièrement marquée chez les jeunes apprenants. Cette corrélation ne constitue évidemment pas une preuve générale de la nocivité de l’IA (d’autant plus que l’étude présente des faiblesses méthodologiques), mais elle révèle un problème potentiel : ceux qui délèguent systématiquement leur effort cognitif risquent de perdre définitivement leur capacité à résoudre des problèmes de manière autonome.

Bastani et al. (2025) ont démontré ce risque dans une étude d'intervention contrôlée. Les étudiants ayant bénéficié d'un accès illimité à des solutions d'IA complètes pendant leurs travaux pratiques ont obtenu de meilleurs résultats à court terme. Cependant, lorsque le soutien de l'IA a été retiré, leurs résultats ont chuté significativement en dessous du niveau d'un groupe témoin n'utilisant aucune IA. Les auteurs qualifient ce phénomène de DéqualificationRésultat : le soutien supposé n’a pas favorisé le développement des compétences, mais l’a au contraire freiné. Parallèlement, des analyses d’apprentissage issues de systèmes de tutorat basés sur l’IA montrent que certains apprenants tentent de parcourir rapidement les séquences de tâches sans interagir avec le contenu (Jančařík et al., 2023).

Dinsmore et Fryer (2026) et Gisiger (2025) soutiennent également, d'un point de vue de psychologie de l'apprentissage, que l'IA générative (ici, les chatbots non pré-structurés pour l'aide à l'apprentissage, par exemple via des invites système spécifiques) incite les utilisateurs à court-circuiter le processus exigeant de construction de leurs connaissances. Ceux qui consomment directement la solution gagnent du temps, mais ne développent pas nécessairement des structures de connaissances solides, surtout s'ils n'utilisent pas efficacement l'énergie cognitive ainsi économisée pour des tâches cognitives de niveau supérieur. On pourrait aussi dire : la réussite de l'apprentissage est liée à l'effort, et si cet effort est évité, l'apprentissage est moins durable. De nombreux fournisseurs de chatbots ont déjà réagi à ce constat et proposent désormais un „ mode apprentissage “ dans lequel le chatbot ne fournit pas directement de solutions, mais pose des questions complémentaires et dialogue avec l'utilisateur sur le contenu.

Le piège de la politesse

Outre ce risque structurel, un phénomène plus subtil, mais significatif, se manifeste. Abdulsalam et Aroyehun (2025) démontrent dans leur analyse que si les grands modèles de langage peuvent atteindre un niveau d'expertise en tutorat, ils ont tendance à être excessivement polis et encourageants. Cette politesse excessive est corrélée négativement à la qualité de l'apprentissage dans leur étude. L'IA évite de frustrer les apprenants ou de pointer leurs erreurs, se détournant ainsi délibérément des véritables défis. Or, l'effort productif – l'expérience temporaire de la difficulté associée à un soutien – est un moteur essentiel de l'apprentissage, notamment pour le développement de la compréhension conceptuelle.

Chudziak et Kostka (2025) identifient un problème connexe : de nombreux systèmes d’IA actuels ont tendance à prescriptif Style d'interaction : ils dictent, guident et résolvent les problèmes, au lieu de laisser place aux processus de pensée individuels. Les systèmes qui interviennent trop tôt (Retour d'information réactifCe faisant, ils risquent d'inhiber précisément les processus (méta-)cognitifs qu'ils sont censés favoriser. L'analyse de dialogues de tutorat réels menée par Wang et al. (2025) confirme ce constat également pour les jeunes apprenants : les élèves du primaire ont réagi positivement aux questions interactives, mais ont eu tendance à rester passifs et réactifs, sans effet d'apprentissage durable, lorsque le tuteur adoptait une approche trop monologique et axée sur la solution.

Le paradoxe du support optimal

Ces observations convergent vers un paradoxe qui constitue un problème majeur pour la conception des systèmes d'aide à l'apprentissage basés sur l'IA : plus un système d'IA est efficace pour résoudre des tâches et offrir une assistance, plus le risque est grand qu'il se substitue à la pensée indépendante au lieu de la favoriser. Ce paradoxe est difficile à résoudre. Cela signifie qu'un bon tuteur IA doit parfois consciemment… moins Il doit faire plus que ce dont il est capable. Il doit permettre une frustration maîtrisée („ être bloqué “ étant au cœur de la pensée mathématique, Mason, Burton et Stancey, 1982), retenir des solutions, fournir des indices incomplets et générer des temps d'attente. Cela signifie que le système d'IA doit, en partie, aller à l'encontre des mécanismes qui rendent l'IA générative si impressionnante.

Cela explique clairement pourquoi un chatbot non structuré — par exemple, un modèle de langage librement accessible utilisé comme chatbot sans cadre pédagogique — peut potentiellement nuire à l'apprentissage scolaire. Il devient une machine à répondre qui peut entraver, plutôt que favoriser, un véritable apprentissage approfondi. La question centrale n'est donc pas de savoir si l'IA générative est pertinente. utilisé devrait être, mais comment ils devraient être conçu Cela peut se faire de manière à renforcer, et non à affaiblir, la pensée des enfants. Les principes de conception suivants visent à apporter une première réponse à ce risque fondamental.

Principes de conception en réponse au risque fondamental

La tension entre le potentiel de l'aide à l'apprentissage adaptative basée sur l'IA et les risques de décharge cognitive décrits ne peut être résolue par un seul paramètre de conception. Elle requiert plutôt une interaction entre plusieurs niveaux de conception qui se complètent : un socle didactique spécifique à la discipline, condition essentielle au diagnostic et au soutien (primauté de la didactique spécifique à la discipline) ; un dosage adaptatif, mécanisme central de rétroaction ; l'activation métacognitive, critère de qualité ; et une intégration hybride („ l'enseignant dans la boucle “), condition d'efficacité.

Fondements : Connaissances didactiques spécifiques à la discipline comme prérequis essentiel

Le premier niveau de conception, et le plus fondamental, concerne la base de connaissances du système. L'IA générative produit des résultats linguistiquement et formellement impressionnants, mais d'un point de vue didactique, ceux-ci sont souvent superficiels, manquent d'orientation vers la résolution de problèmes, voire sont erronés s'ils ne sont pas spécifiquement contrôlés (Schneider, 2025). Il ne s'agit pas d'une faiblesse d'implémentation facilement remédiable ; c'est une conséquence de l'architecture des grands modèles de langage. Leur apprentissage repose sur des données disponibles sur Internet, et la curation qualitative, notamment pour les questions d'enseignement des mathématiques, est généralement négligée. Les analyses de la littérature sur l'utilisation de l'IA générative dans l'enseignement des mathématiques soulignent donc régulièrement la faiblesse des fondements théoriques et la propension aux erreurs de nombreux systèmes (Almheiri et al., 2025 ; Awang et al., 2024 ; Holmes & Tuomi, 2022 ; Pesemowo & Adewuyi, 2024).

Dans leur analyse systématique, Cárdenas et al. (2025) identifient l'absence de cadre théorique comme l'un des principaux obstacles à l'efficacité des systèmes de tutorat par IA. Ceci concerne non seulement la précision du contenu des tâches et des explications (un domaine où les systèmes s'améliorent constamment), mais aussi la manière dont un système réagit aux apprenants. Expertise disciplinaire et expertise pédagogique sont deux choses différentes. Macina et al. (2025) démontrent empiriquement que des individus possédant d'excellentes compétences en mathématiques ne dispensent pas automatiquement un bon tutorat. Ils peuvent résoudre correctement les problèmes, mais ils ne perçoivent pas toujours où réside la difficulté pour les apprenants, quelle conception erronée sous-tend une erreur, ni quel type de stimulus serait productif dans une situation d'apprentissage donnée. Pour les systèmes d'IA, cela signifie que la simple intégration des connaissances disciplinaires dans la consigne est insuffisante. Le système doit également posséder des connaissances pédagogiques disciplinaires, c'est-à-dire la connaissance de…, Comment Les enfants développent des concepts mathématiques, identifient les erreurs et les incompréhensions typiques, et déterminent quelles interventions sont efficaces à quel stade du processus d'apprentissage.

Plusieurs résultats convergents démontrent l'importance pratique de cette différence. Makransky et al. (2024), s'appuyant sur la théorie de l'apprentissage génératif, montrent qu'un modèle spécifiquement entraîné à la didactique favorise la compréhension conceptuelle, la confiance et le plaisir d'apprendre de manière significativement plus importante qu'un modèle de langage générique de grande taille, et que ces effets se maintiennent dans le temps. Les systèmes de tutorat performants comme ChatTutor ou les cadres spécifiques (par exemple, le mode d'apprentissage de ChatGPT) reposent donc explicitement sur des théories pédagogiques telles que la théorie sociocognitive ou la conception centrée sur les preuves (Cohn et al., 2025 ; Dwivedi et Rejina, 2025). De plus, des études sur GeoGebra et les environnements d'apprentissage assistés par l'IA démontrent que la compréhension conceptuelle et le sentiment d'efficacité personnelle n'augmentent que lorsque l'expertise et la didactique spécifiques au sujet sont explicitement intégrées à la conception du système, c'est-à-dire lorsque la technologie n'est pas simplement ajoutée a posteriori (Cononigo, 2024).

Qu’est-ce que cela signifie concrètement ? Un assistant d’apprentissage IA pour les cours de mathématiques à l’école primaire nécessite au minimum les bases de connaissances didactiques spécifiques à la matière suivantes, qui doivent être fournies soit par le biais du contexte du système (invites), soit par un apprentissage spécialisé du modèle :

Premièrement, un Modèle de développement des compétences mathématiques Pour le domaine de contenu concerné, l'IA doit „ savoir “ que la compréhension numérique ne résulte pas de la mémorisation de faits, mais du développement de modèles mentaux, et qu'il existe des parcours de développement typiques et des compétences préalables à ce développement. Sans cette connaissance, toute adaptation reste superficielle : le système peut au mieux moduler le niveau de difficulté, mais ne peut pas adapter la qualité de ses données d'entrée au niveau de compréhension.

Deuxièmement Taxonomies des erreurs et des stratégies, Ces modèles illustrent les parcours d'apprentissage et les erreurs typiques des élèves (Nauryzbayev et al., 2023 ; Bewersdorff et al., 2023). Diagnostiquer les conceptions erronées, comme la confusion entre position et valeur dans le système de numération positionnelle ou l'utilisation du comptage comme stratégie profondément ancrée, est une compétence pédagogique fondamentale qu'un système doit acquérir pour dépasser la simple distinction entre „ juste “ et „ faux “. Par exemple, même les grands modèles de langage suggèrent souvent explicitement la stratégie « compter » en cas d'erreur, si aucune instruction ou connaissance préalable n'a été fournie.

Troisièmement, cela nécessite règles et directives explicites, La question est de savoir quelles mesures de soutien sont utiles à chaque phase d'apprentissage et pour quel type de difficulté. La distinction établie précédemment entre apprentissage procédural et apprentissage conceptuel peut, par exemple, servir de guide : le développement des compétences routinières requiert des stratégies d'intervention différentes de celles nécessaires à la construction de la compréhension conceptuelle. De plus, un système doit être capable de reconnaître si une erreur est due à une simple inattention ou à un problème de compréhension. Un historique d'apprentissage peut être intégré afin que l'IA générative puisse réagir de manière appropriée aux entrées précédentes et à la progression de l'apprentissage, évitant ainsi les boucles infinies.

Quatrièmement, le système doit s'adapter non seulement en termes de difficulté, mais aussi en termes de différentes façons de penser, qui permettent aux apprenants de trouver une solution. Les enfants résolvent les problèmes mathématiques de diverses manières, et c'est souhaitable. Un tuteur IA qualifié reconnaît les stratégies alternatives, évalue leur pertinence, pose des questions de clarification si nécessaire et peut soit renforcer les stratégies existantes des enfants, soit les guider en douceur vers des approches plus efficaces.

Fournir ces connaissances pédagogiques spécifiques à la discipline est complexe, mais présente un autre avantage majeur : cela permet l’utilisation de modèles plus petits et spécialisés, moins gourmands en ressources de calcul et exécutables localement sur l’appareil ou dans des infrastructures conformes aux normes de protection des données. On peut ainsi concilier les enjeux de durabilité (consommation d’énergie) et les exigences de protection des données sans compromettre la qualité.

Une base pédagogique solide n'est donc pas seulement un atout, mais une condition indispensable au bon fonctionnement du soutien adaptatif. Sans elle, un tuteur IA reste – pour reprendre la formulation pertinente de Schneider (2025) – un „ générateur de nombres aléatoires doué pour le langage “ qui produit parfois des suggestions utiles, mais souvent imprécises, voire trompeuses.

Dosage : Échafaudage adaptatif et principe du „ d’abord toi, ensuite moi “

Grâce à des connaissances didactiques spécifiques à la discipline, un second niveau de conception devient possible : le dosage adaptatif des stimuli et du soutien. C’est ce mécanisme qui distingue l’aide à l’apprentissage basée sur l’IA d’une simple machine à répondre. Les résultats empiriques indiquent que les environnements d’apprentissage assistés par l’IA offrent un potentiel accru pour les processus d’apprentissage et de compréhension, notamment lorsqu’ils s’adaptent aux progrès, aux erreurs et aux stratégies d’apprentissage, au lieu de se contenter de fournir les bonnes réponses.

Dans l'étude TALPer, par exemple, les élèves de CM2 les plus en difficulté ont particulièrement bénéficié d'un soutien adaptatif, tandis que les élèves les plus performants ont développé des interactions plus complexes avec le compagnon d'apprentissage IA (Kuo et al., 2025). Ainsi, un seul système a pu répondre efficacement à différents besoins d'apprentissage. Liu et al. (2025) démontrent des gains de performance significatifs en résolution de problèmes mathématiques avec un système comparable, où, fait intéressant, la qualité perçue du soutien, plutôt que sa simple disponibilité, a eu l'influence la plus forte sur la motivation et les résultats d'apprentissage. La revue systématique de Son (2024) confirme les effets positifs des systèmes de tutorat intelligent bien conçus sur les performances en mathématiques, notamment lorsque ces systèmes s'adaptent aux besoins individuels d'apprentissage. La force de l'IA générative pour le feedback réside donc précisément dans l'individualisation : dans l'adaptation de la réponse aux besoins d'apprentissage spécifiques de chaque enfant.

Le facteur crucial ici est la séquence de réflexion et de soutien. Des recherches antérieures sur les grands modèles de langage dans l'apprentissage indiquent clairement que le retour d'information de l'IA est particulièrement efficace lorsque les apprenants tentent d'abord de résoudre le problème par eux-mêmes (Kumar et al., 2023). Dans leur étude, même de rares explications erronées du modèle de langage après des tentatives préalables de résolution du problème ont tout de même conduit à des progrès dans l'apprentissage, sans que les participants n'adoptent systématiquement de stratégies incorrectes. Ceci souligne la robustesse du principe „ réfléchir d'abord, puis recevoir un retour d'information “. Cohn et al. (2025), dans leur cadre théorique pour les agents éducatifs basés sur les LLM, insistent explicitement sur la nécessité de La découverte guidée plutôt que les réponses directes —c’est-à-dire une découverte guidée plutôt que des réponses directes. Et Ruan et al. (2020) montrent également dans leur étude sur les tuteurs conversationnels narratifs que les progrès en matière d’apprentissage étaient principalement obtenus lorsque le système fournissait des commentaires interactifs et des indices plutôt que des solutions directes.

Dans le domaine de l'apprentissage autorégulé, plusieurs études indiquent qu'un étayage adaptatif, soutenu par l'IA, contrairement aux séquences de soutien statiques, peut améliorer la qualité des processus d'apprentissage autorégulé et présente des avantages par rapport à une approche standardisée (Liu et al., 2025 ; Wu et al., 2025). L'IA générative doit donc être intégrée et pré-structurée de manière à répondre de façon adaptative et individualisée aux entrées de l'apprenant, plutôt que de se contenter de proposer des invites prédéfinies.

Parallèlement, les considérations abordées dans la section 3 montrent que l'assistance ne doit pas seulement être individualisée, mais aussi limité Cela doit être le cas. Bastani et al. (2025) démontrent que l'accès non réglementé à des solutions complètes est néfaste à long terme, à moins que l'IA ne soit réglementée de manière à ne fournir qu'un guidage étape par étape, laissant ainsi place aux tentatives individuelles de résolution de problèmes. Une approche cohérente décoloration Le retrait progressif du soutien est donc un élément essentiel de la conception du système. Si les étudiants sollicitent une aide excessive, le système doit pouvoir réagir en la distribuant progressivement, de manière échelonnée et, si nécessaire, en la réduisant afin de prévenir toute dépendance.

Un problème récurrent est celui des hallucinations et des retours d'information inappropriés de l'IA. Cependant, de nouvelles approches multi-agents et les méthodes LLM-as-Judge démontrent que les procédures d'auto-vérification peuvent améliorer la qualité et la fiabilité des modèles et réduire significativement les hallucinations dans les retours d'information (Cohn et al., 2025 ; Gonnermann-Müller et al., 2025 ; Qian et al., 2026). De plus, les modèles d'IA les plus récents présentent de moins en moins d'hallucinations et d'erreurs, ce qui laisse penser que ce problème deviendra moins prégnant à l'avenir.

En résumé, ces résultats suggèrent qu'un assistant d'apprentissage IA devrait systématiquement fonctionner selon le principe „ vous d'abord, puis moi “. L'utilisateur est d'abord invité à tenter de trouver une solution de manière autonome. L'IA n'intervient qu'en cas de besoin – à la demande de l'utilisateur ou automatiquement en cas d'erreur – et sollicite alors des idées, des pistes de réflexion et des observations. Les explications sont liées aux connaissances de base déjà acquises. Les solutions complètes restent l'exception et servent d'outil de réflexion, et non de format d'apprentissage principal. De plus, l'assistant d'apprentissage IA ne devrait ni sur-encenser ni éluder les questions, mais plutôt fournir un retour d'information constructif et pertinent.

Activation : Métacognition, pensée critique et le tuteur comme miroir

Le troisième niveau de conception dépasse la simple question du dosage de l'assistance et se concentre sur la qualité des processus cognitifs stimulés par l'interaction. Les chatbots et les systèmes d'IA peuvent non seulement servir de guides et d'explicateurs de tâches, mais aussi stimuler les processus de planification, de suivi et de réflexion dans la résolution de problèmes, à condition d'être conçus en conséquence. La méta-analyse de Wu et al. (2025) montre que les chatbots peuvent soutenir l'apprentissage autorégulé sur les plans technique, social et réflexif, pourvu que leurs dispositifs d'aide soient liés à des modèles d'apprentissage autorégulé. Guo et al. (2025) confirment dans leur revue systématique que les systèmes d'IA peuvent répondre aux besoins psychologiques fondamentaux d'autonomie, de compétence et d'appartenance, facteurs clés de la motivation et de l'engagement.

Les études portant sur ce qu’on appelle [des sujets spécifiques] sont particulièrement intéressantes dans ce contexte. agents apprenables. Song et al. (2024) démontrent que les apprenants peuvent percevoir les systèmes d'IA comme des compagnons d'apprentissage, des modérateurs et des partenaires de résolution de problèmes lorsqu'ils leur adressent leurs explications. Le principe d'apprentissage par l'explication peut ainsi être transposé aux environnements d'IA et utilisé à des fins pédagogiques. Toutefois, il est évident que de nombreux systèmes d'IA génératifs actuels ne remplissent pas encore de manière fiable les rôles tutoriels clés – par exemple, la stimulation ciblée de la planification, du choix de stratégies et de la réflexion – sans incitations spécifiques ni réentraînement, et tendent davantage vers le style prescriptif évoqué précédemment (Chudziak & Kostka, 2025 ; Contel & Cusi, 2025). Ceci souligne la nécessité de préstructurer les systèmes d'IA afin qu'ils utilisent de manière proactive des étayages métacognitifs allant au-delà du simple retour d'information réactif.

Un aspect essentiel de l'activation métacognitive consiste également à donner aux apprenants les moyens d'examiner de manière critique les réponses de l'IA. Dans un environnement d'apprentissage s'inscrivant dans le cadre d'une Journées mathématiques dans une école primaire Il a été observé que les enfants qui perçoivent les réponses de l'IA comme potentiellement erronées développent un esprit critique et ne se contentent plus d'accepter les réponses sans les examiner (Helal et al., 2024). Cette compétence, que les enfants peuvent développer dès l'école primaire, revêt une importance croissante compte tenu de la présence grandissante des contenus générés par l'IA dans la vie quotidienne.

Un assistant d'apprentissage IA peut être conçu comme un partenaire métacognitif qui stimule systématiquement ces processus. Le tuteur pose des questions telles que : „ Qu'as-tu remarqué ? “, „ Quelle stratégie as-tu essayée ? “, „ Pourquoi penses-tu que cela a fonctionné ? “. Il encourage la réflexion sur les erreurs : „ Quelle idée vue précédemment pourrait être utile ici ? “ Et, le cas échéant, il peut intégrer des éléments de reformulation : les enfants expliquent à l'IA ce qu'ils ont compris, et l'IA reformule, pose des questions et approfondit le sujet. Ainsi, l'IA ne devient pas un explicateur omniscient, mais plutôt un catalyseur de la réflexion de l'apprenant.

Intégration : Les dispositifs hybrides comme condition d'efficacité

Le quatrième et dernier niveau de conception concerne le cadre dans lequel s'inscrit l'apprentissage assisté par l'IA. Les recherches indiquent que les scénarios les plus efficaces sont ceux où l'IA ne remplace pas les enseignants, mais allège leur charge de travail. Ceci peut se concrétiser, par exemple, par un étayage personnalisé dans le processus de résolution de problèmes ou par une analyse en temps réel, permettant ainsi aux enseignants de consacrer plus de temps à l'interaction pédagogique et à l'établissement de relations (Wezendonk & Veldhuis, 2024 ; Gonnermann-Müller et al., 2025).

Une étude menée par Eedi en collaboration avec Google DeepMind (2025) illustre directement le potentiel des approches hybrides : alors que le soutien de l’IA seul a permis un gain d’apprentissage de 4,5 points de pourcentage, celui-ci a doublé pour atteindre 10 points de pourcentage lorsque l’enseignant a examiné et utilisé les suggestions de l’IA. Dans ce cas, l’enseignant n’agit pas simplement comme un mécanisme de contrôle, mais comme une autorité pédagogique qui contextualise les données fournies par l’IA au sein de la leçon, de la classe et pour chaque élève. La méta-analyse de Kaliisa et al. (2025) a montré que le retour d’information de l’IA n’est pas moins efficace que le retour d’information humain, mais n’est pas non plus systématiquement supérieur. Les approches hybrides qui combinent un retour d’information fiable, direct et accessible de l’IA avec un retour d’information structuré de la part des enseignants sont donc particulièrement prometteuses. Cosentino et al. (2025) confirment que de tels modèles de retour d’information hybrides ont le potentiel de réduire la charge cognitive et de soutenir des stratégies de traitement de l’information différenciées.

D'autres études ont confirmé l'efficacité de l'IA pour soutenir les enseignants. Par exemple, CoPilot offre une assistance en temps réel aux enseignants et permet d'obtenir des résultats nettement supérieurs en mathématiques chez les jeunes élèves. Cela est particulièrement vrai lorsque la qualité des retours d'information des enseignants est moindre, notamment lorsqu'ils enseignent en dehors de leur domaine de spécialisation (Wang et al., 2024). Kestin et al. (2025) soulignent que les tuteurs IA, basés sur les principes didactiques de l'apprentissage actif, peuvent enrichir et compléter un enseignement présentiel de qualité à certaines étapes, sans pour autant le remplacer.

Dans une perspective d'intégration hybride, plusieurs conséquences découlent de la conception du système. La génération de retours d'information doit reposer sur des données pédagogiques pertinentes et spécifiques à la discipline, et ne peut être laissée au hasard. Les enseignants ont besoin de tableaux de bord et d'options de configuration pour suivre la progression des élèves, le soutien apporté par l'IA et son efficacité. L'IA peut suggérer des tâches, du soutien ou établir un diagnostic initial ; la décision finale revient à l'humain. Les points suivants sont particulièrement prometteurs : microdidactique Le domaine du soutien à la résolution de problèmes au niveau de la tâche est crucial, car dans une classe hétérogène, les enseignants ne peuvent souvent pas apporter un soutien opportun à tous les élèves aux moments clés. L'étude systématique d'Eti, Mosia et Egara (2026) a démontré que l'intelligence artificielle est particulièrement efficace lorsqu'elle repère les conceptions erronées, fournit un accompagnement approprié et conduit progressivement les apprenants vers la résolution autonome de problèmes.

Cependant, l'implication significative des enseignants dans la conception et l'utilisation des systèmes de tutorat par IA est souvent insuffisamment prise en compte. Guerino et al. (2023) et Wezendonk et Veldhuis (2024) soulignent que des approches de conception centrées sur l'enseignant et des programmes d'initiation à l'IA sont indispensables pour garantir une intégration et une acceptation concrètes en classe. Le développement professionnel et la formation à l'intégration, à la mise en œuvre et à l'utilisation de l'IA sont des prérequis à une utilisation responsable (Holmes et al., 2018 ; KMK, 2024 ; Wang et Nie, 2023) et devraient donc être intégrés à la formation initiale et continue des enseignants. Cette formation devrait non seulement porter sur la connaissance de la technologie, mais aussi, et surtout, sur les aspects pédagogiques qui abordent à la fois les opportunités et les risques. Les connaissances pédagogiques spécifiques à la discipline demeurent essentielles pour évaluer et mettre en œuvre l'IA comme outil d'aide à l'apprentissage.

L'IA comme catalyseur de découvertes mathématiques

Les principes de conception existants décrivent comment l'apprentissage assisté par l'IA peut être soutenu. interne Cela devrait fonctionner, c'est-à-dire dans l'interaction entre le système et l'apprenant. Il est tout aussi important de se demander comment cette interaction est intégrée au système. Agencement général L'IA est intégrée à l'apprentissage des mathématiques. L'IA ne doit pas et ne doit pas conduire les enfants à se contenter de fixer des écrans et d'interagir avec eux. Recherche sur Interfaces tangibles Les robots sociaux démontrent que l'IA peut également stimuler l'interaction dans le monde physique (Ligthart et al., 2023). L'IA devrait servir de catalyseur aux activités mathématiques, en s'appuyant sur les niveaux de représentation de Bruner.

Cela pourrait signifier, par exemple, que des actions sont réalisées avec des matériaux concrets ou que des croquis et des dessins sont utilisés, que l'IA reconnaît et sur lesquels elle pose des questions analytiques si nécessaire. Par exemple, lors de la modélisation de problèmes de mots dans l'application „Histoires mathématiques„ Ici, en plus de la saisie vocale, les croquis, les notes et les photos de la modélisation peuvent être discutés avec le compagnon d'apprentissage IA. Il existe nettement moins d'études pour l'enseignement primaire que pour l'enseignement secondaire et supérieur, mais les résultats existants sont prudemment optimistes : les enfants peuvent tirer profit de l'IA générative dans leur apprentissage si les environnements d'apprentissage sont conçus efficacement – notamment en ce qui concerne l'intégration du soutien numérique et des environnements d'apprentissage analogiques (Hwang, 2022 ; Listyaningrum et al., 2024 ; Mott et al., 2023 ; Rumbelow & Coles, 2024 ; Yim & Su, 2025). ».

La reconnaissance d'objets assistée par l'IA, comme celle des réglettes Cuisenaire ou la reconnaissance de dessins ou de notes, peut aider les enfants à mieux associer leurs actions à des représentations mathématiques abstraites (Rumbelow & Coles, 2024). La pratique assistée par l'IA peut améliorer spécifiquement la fluidité en calcul et permet des gains de fluidité supérieurs aux approches basées sur la mémorisation, mais elle doit être soigneusement combinée à d'autres formes d'entraînement pour les enfants présentant des difficultés en calcul (Samuelsson, 2023). Les systèmes adaptatifs pour les enfants dyscalculiques présentent des résultats prometteurs en matière de maintien de la motivation et de l'engagement (Hocine et al., 2023 ; Holmes, 2024). Les approches narratives et ludiques méritent une attention particulière : Ruan et al. (2020) montrent que les tuteurs conversationnels basés sur la narration peuvent favoriser l'engagement et les progrès d'apprentissage, et Sayed et al. (2022) confirment des améliorations significatives, notamment chez les élèves les plus en difficulté, grâce à un contenu adaptatif et ludique.

L’enjeu principal demeure de permettre aux enfants d’examiner, de justifier et de négocier de manière critique les énoncés mathématiques, notamment ceux issus de l’IA (Kortenkamp, 2024 ; Aufenanger, 2023). Le soutien à l’apprentissage de l’IA à l’école primaire devrait donc avant tout servir de catalyseur à des activités mathématiques riches qui, guidées par des considérations didactiques propres à la discipline, combinent processus numériques et analogiques.

Conditions-cadres éthiques et structurelles

Exigences éthiques pour le soutien à l'apprentissage basé sur l'IA

Les principes de conception actuels visent à créer des systèmes de tutorat par IA efficaces. Toutefois, l'efficacité seule ne constitue pas un critère suffisant, notamment lorsque les apprenants sont des enfants. Les questions éthiques sont fondamentales pour l'apprentissage avec l'IA générative et dépassent la seule problématique, souvent mise en avant, de la protection des données. Holmes et al. (2021) appellent à l'élaboration collaborative d'un cadre éthique intégrant des aspects tels que l'équité, la transparence, l'autonomie et la responsabilité pédagogique. La Conférence permanente des ministres de l'Éducation et des Affaires culturelles (KMK, 2024) recommande explicitement une utilisation prudente et fondée sur la recherche de l'IA dans les écoles primaires et spécialisées, en privilégiant les compétences fondamentales, l'inclusion, l'égalité des chances et des solutions adaptées à l'âge et conformes à la réglementation sur la protection des données.

Les analyses exploratoires sur l'IA montrent que les recherches antérieures dans ce domaine présentent des lacunes. L'épanouissement humainLe paysage de la recherche est fortement axé sur la performance et les résultats d'apprentissage, tandis que les perspectives éthiques, métacognitives et liées aux enseignants restent insuffisamment explorées (Fock & Siller, 2025). Almheiri et al. (2025) et Cárdenas et al. (2025) identifient les défis éthiques et les problèmes de mise à l'échelle comme des obstacles majeurs à la généralisation des systèmes de tutorat par IA. De plus, des études sur le profilage psychologique à l'aide de grands modèles de langage (Rosenfelder et al., 2025) démontrent la précision avec laquelle ces modèles peuvent extraire des schémas de personnalité et de valeurs à partir de textes. Ceci met en évidence le risque de mésusage inhérent aux systèmes opaques. Gulz et al. (2021) soulignent également la nécessité d'allier adaptabilité, pédagogie inclusive et accessibilité, sans stigmatiser les apprenants à besoins spécifiques.

De ces constats et exigences peuvent être déduites des exigences éthiques concrètes pour un facilitateur d'apprentissage en IA responsable. Il doit travailler avec la minimisation des données et éviter le profilage psychologique. Cela peut être réalisé, par exemple, par un traitement cohérent sur l'appareil ou dans des infrastructures de données sécurisées, en séparant les analyses d'IA des données personnelles et en limitant les données personnelles au strict minimum. Il doit sans barrières Il doit être capable d'utiliser l'interaction multimodale (langage, texte, image) pour répondre à divers besoins d'apprentissage (Hocine et al., 2023), en accordant une attention particulière aux apprenants défavorisés lors de la conception. Les fonctionnalités de base peuvent être expliquées. et ainsi la rendre compréhensible. Il doit également encourager les étudiants à examiner de manière critique les réponses de l'IA et à contribuer au renforcement, et non à l'affaiblissement, de l'esprit critique. Le principe général est le suivant : Ne contrôlez pas les apprenants, mais renforcez leur autonomie..

Le modèle SKILL comme cadre d'orientation

Dans le cadre du projet PRIMA-AI, le cadre SKILL (Intégration structurée et basée sur les compétences des systèmes d'IA d'aide à l'apprentissage) a été développé pour l'utilisation de l'IA générative auprès des jeunes enfants. Il fournit des indications sur le degré d'ouverture ou de pré-structuration des systèmes d'IA selon les contextes d'apprentissage. Le principe fondamental du modèle est que plus l'IA générative est directement liée au processus d'apprentissage, plus sa pré-structuration et son contrôle doivent être rigoureux, tout en tenant compte du niveau de compétence des enfants face aux résultats de l'IA.

Le modèle concentrique distingue quatre niveaux : du niveau d’apprentissage fondamental, particulièrement important et nécessitant une protection accrue, qui implique une utilisation rigoureusement contrôlée et préstructurée de l’IA ; au niveau de l’environnement d’apprentissage didactiquement contrôlé ; puis au niveau de l’enseignant ; et enfin au niveau du système. Ceci garantit que les processus cognitifs fondamentaux – tels que le développement du sens du nombre ou des stratégies de résolution de problèmes autonomes – demeurent des acquis cognitifs indépendants et ne sont pas délégués par l’enseignant. Le modèle SKILL concrétise ainsi les principes de conception développés dans cet article – notamment la tension entre soutien adaptatif et protection de la pensée autonome – en une structure applicable.

Conclusion et perspectives

L'utilisation de l'IA pour l'apprentissage des mathématiques au primaire recèle un potentiel considérable en matière de retours personnalisés et de soutien adaptatif. Cependant, ce potentiel ne peut se concrétiser que si les systèmes sont pédagogiquement solides, adaptés à chaque situation et intégrés à des dispositifs d'enseignement et d'apprentissage hybrides. Sans ce cadre, ils risquent d'entraver, plutôt que de favoriser, la pensée autonome des enfants.

Le problème central de toute décision de conception est que le Paradoxe du support optimal. Plus un système d'IA est performant, plus le risque de décharge cognitive et de déqualification est élevé. Ce risque ne peut être contré que par une combinaison de plusieurs considérations de conception.

Le fondements didactiques spécifiques à la matière C’est la condition préalable à l’efficacité d’un système d’apprentissage. Sans modèles de développement des compétences, taxonomies des erreurs et connaissance des processus de pensée alternatifs, le retour d’information de l’IA reste au mieux superficiel, au pire trompeur. Un tuteur IA seulement plausible sur le plan linguistique mais dépourvu de solides fondements pédagogiques représente un risque pour l’apprentissage, et non un atout.

Le dosage adaptatif C’est ce mécanisme fondamental qui distingue l’assistance pédagogique basée sur l’IA d’un simple répondeur automatique. Le principe „ d’abord vous, ensuite moi “, la diminution progressive de l’aide apportée et la limitation des solutions complètes sont des stratégies éprouvées pour maintenir la participation active des apprenants, favoriser un travail productif et offrir un soutien individualisé.

Le activation métacognitive Cela garantit que l'aide à l'apprentissage basée sur l'IA n'offre pas seulement assistance et conseils, mais encourage également le système à s'engager dans des processus de planification, de suivi et de réflexion. La capacité d'évaluer de manière critique les réponses de l'IA constitue donc non seulement une compétence essentielle pour travailler avec ce système, mais aussi une technique culturelle de plus en plus importante.

Et enfin, le plongement hybride L'efficacité du soutien à l'apprentissage basé sur l'IA repose essentiellement sur cette combinaison. Des recherches antérieures indiquent que l'association du retour d'information de l'IA et de l'accompagnement humain („ l'enseignant dans la boucle “) produit les meilleurs résultats et que l'IA est particulièrement précieuse lorsque les enseignants atteignent leurs limites en matière de soutien individualisé.

Ces principes sont combinés dans le modèle SKILL, qui constitue un cadre reliant l'ouverture et la nature préstructurée des systèmes utilisés aux compétences des apprenants en matière d'IA. En particulier chez les jeunes enfants, une intégration par application, une préstructuration pédagogique et un encadrement sont nécessaires, car ils ne sont souvent pas encore capables d'utiliser l'IA de manière autonome comme outil d'apprentissage (Gulz et al., 2021).

Plusieurs questions de recherche restent ouvertes. Les études à long terme examinant l'apprentissage assisté par l'IA au-delà de la période des interventions individuelles sont insuffisantes, notamment pour déterminer si l'étayage adaptatif conduit réellement à un développement durable des compétences ou si les effets néfastes sur les acquis ne se manifestent qu'après un certain délai. Les études prenant systématiquement en compte les spécificités de l'école primaire – niveau de compréhension de la lecture plus faible, modes d'interaction différents et utilisation de matériel concret – sont également rares. Enfin, les recherches manquent sur la manière dont les enseignants intègrent concrètement les systèmes de tutorat par IA dans leurs cours, non pas en laboratoire, mais dans le contexte quotidien d'une classe de primaire hétérogène aux ressources limitées.

S’appuyant sur les principes fondamentaux exposés ici, le projet PRIMA-AI développe actuellement divers outils d’apprentissage de l’IA intégrés à des applications. Ces outils font l’objet de recherches, de développements et d’optimisations dans le cadre d’une recherche-action. L’objectif de ces expérimentations est de générer des connaissances susceptibles d’améliorer l’apprentissage des mathématiques chez les enfants.

---