L'intelligence artificielle générative (IA générative, ou simplement IA ici) s'est imposée dans le discours éducatif, souvent auréolée de promesses ambitieuses, parfois de craintes apocalyptiques. Il existe désormais une base empirique vaste, quoique hétérogène. Les méta-analyses font état d'effets positifs significatifs des chatbots d'IA tels que ChatGPT sur les performances d'apprentissage, la motivation et la pensée critique, mais dans des conditions très différentes, avec des méthodologies parfois discutables, et principalement auprès d'élèves plus âgés ou d'étudiants universitaires (Alemdag, 2025 ; Deng et al., 2025 ; Wang & Fan, 2025 ; Wu & Yu, 2024 ; Zheng et al., 2023). La question n'est donc pas de savoir si ces effets positifs peuvent être obtenus, mais plutôt comment. Car, bien sûr, ChatGPT et les technologies similaires ne garantissent pas le succès dans le domaine du soutien à l'apprentissage, mais constituent un outil didactique.

Par conséquent, les auteurs mettent en garde contre une interprétation erronée de „ l’effet d’apprentissage avec l’IA “, parfois observé, comme une propriété intrinsèque de la technologie d’IA, au lieu de s’interroger sur l’environnement d’apprentissage sous-jacent et la pré-structuration didactique (Dinsmore & Fryer, 2026 ; Kirschner, 2025). En bref : L'IA peut efficacement soutenir l'apprentissage – mais seulement si elle est conçue et intégrée de manière didactiquement rigoureuse. Cependant, cela peut s'avérer tout aussi inutile si cela remplace et empêche l'apprentissage au lieu de le soutenir.

La question que je souhaite explorer ici est la suivante : Comment l'IA peut-elle être utilisée pour soutenir les processus d'apprentissage grâce à un retour d'information personnalisé ? Dans ce qui suit, je présente les considérations fondamentales, étayées par des données empiriques et théoriques, relatives aux principes de conception des assistants et tuteurs d'apprentissage par l'IA en mathématiques, en particulier dans l'enseignement primaire. Ces considérations constituent le fondement du développement et de l'expérimentation, dans le cadre de ce projet, d'un système d'aide à l'apprentissage intégré à une application et reposant sur l'IA. PRIMA-KI.

Échafaudage adaptatif : une aide à l’autonomie plutôt qu’à des solutions rapides.

Les environnements d'apprentissage assistés par l'IA génèrent des progrès significatifs, notamment lorsqu'ils s'adaptent à la progression, aux erreurs et aux stratégies d'apprentissage, plutôt que 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 en mathématiques, tandis que les élèves les plus performants ont développé des interactions plus complexes avec le compagnon d'apprentissage IA (Kuo et al., 2025). De même, un système d'apprentissage comparable a montré des gains de performance significatifs en résolution de problèmes, le bénéfice perçu – c'est-à-dire la qualité du soutien – ayant une forte influence sur la motivation et les résultats d'apprentissage (Liu et al., 2025). L'analyse systématique de Son (2024) confirme les effets positifs des systèmes de tutorat intelligent bien conçus sur les performances en mathématiques, en particulier lorsque ces systèmes s'adaptent aux besoins individuels d'apprentissage.
Dans le domaine de l'apprentissage autorégulé, plusieurs études indiquent qu'un étayage adaptatif, soutenu par l'IA (plutôt que des séquences de soutien statiques), peut améliorer la qualité des processus d'apprentissage autorégulé et présente des avantages par rapport à un concept de „ soutien égal pour tous les étudiants “ (Liu et al., 2025 ; Wu et al., 2025). De nouvelles approches multi-agents et des procédures d'évaluation par l'IA montrent que la qualité et la fiabilité des étayages peuvent être améliorées grâce à des procédures d'auto-évaluation, et que les hallucinations lors du retour d'information peuvent être significativement réduites (Cohn et al., 2025 ; Gonnermann-Müller et al., 2025 ; Qian et al., 2026).
Parallèlement, les limites de certains outils non spécifiquement conçus pour l'apprentissage sont apparues clairement : les systèmes d'IA qui offrent un accès illimité à des solutions complètes à la demande pendant les exercices peuvent certes améliorer les performances à court terme, mais nuire à l'apprentissage à long terme une fois l'IA désactivée (Bastani et al., 2025). Ce phénomène, également appelé „ désacquisition de compétences “, entrave l'apprentissage au lieu de le favoriser et ne crée qu'une illusion superficielle d'apprentissage. Les analyses d'apprentissage issues de systèmes de tutorat basés sur l'IA montrent également que certains apprenants se contentent de „ cliquer “ sur les tâches sans s'y impliquer réellement (Jancafik et al., 2023). Il convient de prévenir ce phénomène autant que possible grâce à une pré-structuration et une conception appropriées du retour d'information de l'IA, afin d'éviter un apprentissage superficiel et de permettre un apprentissage plus approfondi, favorisant une meilleure compréhension.

Conclusions : Un assistant d'apprentissage IA devrait principalement :

• Diagnostiquer les erreurs et les idées fausses en se basant sur les informations didactiques de base propres au sujet et adapter son enseignement en conséquence. Notes donner (Bewersdorff et al., 2023),
• Encourager un changement de stratégie et fournir des conseils informatifs pour la résolution autonome des problèmes, au lieu de livrer des résultats finis.,
• Apportez votre soutien par doses mesurées, échelonnez-le dans le temps (en le diminuant progressivement) et, si nécessaire, „ retirez-le “ si les élèves deviennent trop dépendants (c’est-à-dire s’ils demandent trop d’indices).
• Mettre en œuvre des mécanismes contre la résolution superficielle des problèmes en renforçant la capacité des enfants à résoudre les problèmes de manière autonome par le questionnement et la consultation de travaux antérieurs.
• Individualiser : adapter les formats de tâches au niveau de compétence pour éviter de sur- ou sous-stimuler les étudiants (Son, 2024).

Les bons tuteurs en IA encouragent la pensée indépendante.

Les recherches sur les grands modèles de langage (GML) dans l'apprentissage suggèrent que la séquence de réflexion et d'explication est cruciale. Le retour d'information de l'IA est particulièrement efficace lorsque les apprenants tentent d'abord de résoudre les problèmes par eux-mêmes (Kumar et al., 2023). Même de rares erreurs d'explication de la part des GML dans ce contexte ont permis des progrès dans l'apprentissage, sans que les participants n'adoptent systématiquement de stratégies incorrectes (Kumar et al., 2023). Les systèmes qui interviennent trop tôt („ retour d'information réactif “) risquent de freiner les processus métacognitifs (Chudziak & Kostka, 2025). De plus, les modèles d'intelligence hybride – c'est-à-dire la combinaison de la pensée humaine et du soutien de l'IA – conduisent souvent à de meilleurs résultats et à une charge cognitive moindre que les solutions d'IA pure (Cosentino et al., 2025).

Ceci correspond à la critique formulée en psychologie de l'apprentissage selon laquelle l'IA générale incite souvent les utilisateurs à prendre des raccourcis dans leur réflexion : si la consommation directe de la solution permet de gagner du temps, elle ne contribue guère à la construction de structures de connaissances robustes (Gisiger, 2025 ; Dinsmore et Fryer, 2026). Des études sur l'IA en pratique montrent également que si l'IA propose des solutions complètes lors de la pratique, les résultats d'apprentissage à long terme sont moins bons qu'en l'absence d'IA, à moins que celle-ci ne soit limitée à fournir des indications étape par étape (Bastani et al., 2025). Dans leur cadre théorique pour les agents éducatifs basés sur les modèles d'apprentissage, Cohn et al. (2025) soulignent explicitement la nécessité d'une „ découverte guidée plutôt que de réponses directes “, c'est-à-dire une découverte guidée plutôt que des réponses directes.

L'analyse de dialogues de tutorat réels montre également qu'un enseignement purement didactique, sans participation active de l'apprenant, génère peu d'apprentissage constructif. Les élèves du primaire réagissent positivement aux questions ciblées et interactives, mais restent passifs lorsque le tuteur adopte un discours monologique et axé sur la solution (Wang et al., 2025). Ruan et al. (2020) font une observation similaire dans leur étude sur les tuteurs conversationnels : les progrès d'apprentissage sont principalement obtenus lorsque le système fournit des retours interactifs et des indices plutôt que des solutions directes.

Conclusions : Un assistant d'apprentissage IA pour les cours de mathématiques devrait systématiquement fonctionner selon le principe : „ D'abord toi, ensuite moi. “
Cela signifie :

• Premièrement, un ma propre tentative de solution exigé.
• L'IA n'intervient qu'en cas de besoin, soit sur demande, soit automatiquement en cas d'erreurs, et sollicite des idées, des sous-stratégies et des observations.
• Des explications seront fournies. „ ancrés » aux fondements existants de la compréhension„".
• Les solutions modèles complètes doivent rester l'exception et être utilisées comme outil de réflexion, et non comme principal format d'apprentissage.
• Les apprenants sont encouragés à examiner de manière critique les réponses de l'IA – une compétence que les enfants peuvent pratiquer dès l'école primaire, par exemple en détectant les erreurs dans les énoncés de l'IA (Helal et al., 2024).

Sans une base pédagogique solide, le tuteur IA devient un „ générateur de nombres aléatoires doté de dons linguistiques “.“

Bien que l'IA générative puisse produire des résultats impressionnants sur les plans linguistique et formel, elle génère souvent des tâches superficielles et peu orientées vers la résolution de problèmes d'un point de vue didactique si elle n'est pas spécifiquement contrôlée et si sa production n'est pas prédéfinie selon des principes didactiques (Schneider, 2025). Les revues de littérature sur l'IA dans l'enseignement des mathématiques soulignent son potentiel en matière de visualisation, d'individualisation et de résolution de problèmes, mais pointent également du doigt la faiblesse ou le manque de spécificité des fondements théoriques de nombreux systèmes, probablement parce que ces systèmes ne sont pas spécifiquement optimisés pour les enjeux didactiques (Almheiri et al., 2025 ; Awang et al., 2024 ; Holmes & Tuomi, 2022 ; Pesemowo & Adewuyi, 2024). L'analyse systématique de Cárdenas et al. (2025) identifie l'absence de cadre théorique comme l'un des principaux obstacles à l'efficacité des systèmes de tutorat par IA. Les systèmes performants comme ChatTutor ou certains cadres de travail spécifiques s'appuient 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). Il ne suffit pas de considérer l'IA comme un simple complément technique.
Les systèmes de tutorat fondés sur la théorie sont donc essentiels : s’appuyant sur la théorie de l’apprentissage génératif, l’étude de Makransky et al. (2024) démontre qu’un modèle spécifiquement entraîné à la didactique favorise l’acquisition de connaissances conceptuelles, la confiance en soi et le plaisir d’apprendre de manière significativement plus importante qu’un modèle d’apprentissage générique ou qu’un enseignement traditionnel – et que ces effets se maintiennent dans le temps. Il en va de même pour les modèles spécifiquement adaptés au tutorat, tels que LearnLM de Google. Les études sur GeoGebra et les environnements d’apprentissage assistés par l’IA montrent clairement que la compréhension conceptuelle et le sentiment d’efficacité personnelle ne progressent que lorsque le contenu et la didactique spécifique à la discipline sont explicitement intégrés à la conception du système, plutôt que par un simple ajout de technologie (Cononigo, 2024 ; Kortenkamp, 2024).
Cohn et al. (2025) ont apporté une contribution importante avec leur cadre d'étayage adaptatif pour les agents éducatifs basés sur les modèles d'apprentissage en ligne (LLM), qui combine une conception fondée sur des données probantes et la théorie sociocognitive. Cette approche théoriquement ancrée permet une évaluation formative et une interaction de haute qualité.

Conclusion: Un tuteur IA a besoin de connaissances approfondies et spécifiques au contenu pour contextualiser les incitations ou pour proposer une formation de suivi spéciale avec des connaissances didactiques propres à la matière, par exemple :

• un modèle mathématique Développement des compétences pour le domaine du contenu,
• Taxonomies des erreurs et des stratégies, qui décrivent les parcours et les erreurs typiques des étudiants (Nauryzbayev et al., 2023),
• des règles et des directives explicites, Quelles formes de soutien sont utiles à quelle phase d'apprentissage ? sont,
• Il est crucial de bien comprendre et de reconnaître les idées fausses afin que l'IA puisse adapter son approche pour favoriser l'acquisition de compétences routinières (par exemple, la maîtrise des calculs) ou la compréhension conceptuelle. Cela peut également impliquer, par exemple, l'intégration d'un historique d'apprentissage pour que l'IA générative puisse réagir de manière appropriée et éviter les boucles infinies.

Métacognition, apprentissage autorégulé et „ agents enseignables “ : Le tuteur comme miroir de sa propre pensée

Les chatbots et les systèmes d'IA ne se limitent pas à guider et à expliquer les tâches. Ils peuvent aussi stimuler les processus de planification, de suivi et de réflexion dans la résolution de problèmes, à condition d'être conçus à cet effet. La méta-analyse de Wu et al. (2025) montre que les chatbots peuvent soutenir l'apprentissage autorégulé sur les plans technique, social et réflexif lorsque leurs dispositifs d'aide sont 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.
Des études sur les agents dits « apprenants » 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 (Song et al., 2024). Parallèlement, il est évident que de nombreux systèmes d’IA génératifs actuels ne remplissent pas encore de manière fiable les rôles tutoriels clés – tels que la stimulation ciblée de la planification, du choix de stratégies et de la réflexion – sans incitations spécifiques ni réentraînement, et tendent vers un style prescriptif (Chudziak & Kostka, 2025 ; Contel & Cusi, 2025). Ceci souligne la nécessité d’échafaudages métacognitifs proactifs qui dépassent le simple retour d’information réactif.

Conclusions : Les compagnons d'apprentissage IA peuvent être explicitement conçus comme des partenaires d'apprentissage métacognitifs :

• Le tuteur pose des questions telles que „ Qu'avez-vous remarqué ? “, „ Quelle stratégie avez-vous essayée ? “, „ Pourquoi pensez-vous que cela fonctionne ? “.
• Elle encourage la réflexion sur les erreurs („ Quelle idée précédente pourrait être utile ici ? “).
• Réapprentissage-Des éléments peuvent être inclus le cas échéant : les enfants expliquent à l’IA ce qu’ils ont compris, et l’IA leur répond, et ainsi de suite.

„ L’humain au centre “ : des approches hybrides plutôt que des solutions entièrement automatisées

Un défaut fréquent des outils d'IA actuels est le manque d'implication des enseignants (Guerino et al., 2023). L'IA ne doit pas devenir une „ boîte noire “ en classe. Les scénarios les plus efficaces sont ceux où l'IA décharge l'enseignant de certaines tâches (par exemple, grâce à la différenciation automatisée ou à l'analyse en temps réel), lui permettant ainsi de consacrer plus de temps à l'interaction pédagogique (Wezendonk & Veldhuis, 2024 ; Gonnermann-Müller et al., 2025). Les études sur l'IA dans l'enseignement (des mathématiques) soulignent que les systèmes d'IA doivent être appréhendés comme des boucles de rétroaction où la collecte de données, la reconnaissance de formes et l'aide adaptative doivent toujours être encadrées par des décisions humaines (Holmes & Tuomi, 2022 ; Ninaus & Sailer, 2022). L’IA peut soutenir les processus d’apprentissage, mais elle ne peut pas remplacer le professionnalisme pédagogique ni la responsabilité des enseignants (Aru & Laak, 2025 ; Aufenanger, 2023 ; Buchholtz et al., 2024).
La méta-analyse de Kaliisa et al. (2025) montre que le feedback de l'IA n'est pas moins efficace que le feedback humain, mais n'est pas non plus systématiquement supérieur. Dans les études examinées – principalement issues du domaine de la linguistique – les approches hybrides se révèlent particulièrement prometteuses, combinant un feedback de l'IA fiable, direct et accessible avec un feedback structuré de la part d'enseignants humains. Cosentino et al. (2025), dans leur étude sur l'IA générative dans les environnements d'apprentissage incarnés, démontrent que les modèles de feedback hybrides ont le potentiel de réduire la charge cognitive et de soutenir des stratégies de traitement de l'information différenciées.
D'autres études sur les systèmes hybrides le confirment : CoPilot, par exemple, assiste les enseignants en temps réel et permet d'obtenir des résultats nettement supérieurs en mathématiques chez les jeunes élèves, notamment lorsque les enseignants fourniraient un retour d'information moins pertinent, par exemple parce qu'ils enseignent des notions hors 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 un enseignement présentiel de qualité à certains moments, sans pour autant le remplacer. L'intégration efficace de ces tuteurs dans les écoles primaires dépend fortement de l'attitude des enseignants, des technologies disponibles et de l'implication des parents et de la communauté scolaire (KMK, 2024 ; Li, 2024).
Toutefois, l’implication des enseignants dans la conception et l’utilisation des systèmes de tutorat par IA demeure souvent insuffisante. 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 nécessaires pour garantir une intégration et une acceptation concrètes en classe, et pour éviter que l’IA ne soit considérée comme un simple complément.

Conclusions : Les assistants d'apprentissage IA devraient être conçus dès le départ comme Outils et soutien pour les enseignants à considérer :

• La production de retours d'information doit reposer sur des informations didactiques spécifiques à la matière et ne pas être laissée au hasard.
• Transparence : Les enseignants ont besoin de tableaux de bord pour voir où en sont les élèves et quelle aide l'IA leur a apportée.
• L'IA peut suggérer des tâches, apporter un soutien ou proposer des diagnostics, mais la décision finale revient à l'enseignant. Ce dernier évalue la qualité de l'assistance fournie par l'IA et décide de l'opportunité et des modalités d'intégration de ce soutien pédagogique, ainsi que des domaines où il s'avère bénéfique. Le domaine de la „ micro-didactique “, qui consiste à apporter un soutien au niveau de la tâche lors de la résolution de problèmes, est particulièrement prometteur, car les enseignants sont souvent dans l'incapacité d'offrir un soutien direct aux moments clés, ou ne peuvent le faire que de manière insuffisante.
• Le développement professionnel et la formation à l’intégration et à l’utilisation de l’IA (littératie en 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 les connaissances technologiques, mais aussi inclure les aspects pédagogiques qui abordent à la fois les opportunités et les risques.

Motivation et émotion : le tuteur comme partenaire empathique

Des études récentes soulignent le rôle de la dimension affective. Les systèmes d'IA qui utilisent des robots sociaux, la narration ou la ludification peuvent répondre aux besoins psychologiques fondamentaux d'autonomie, de compétence et d'appartenance (Guo et al., 2025 ; Vitale et Iacono, 2024). Les récits et les éléments ludiques, en particulier, contribuent à maintenir la motivation même lors de séances d'entraînement fastidieuses („ Améliorer l'engagement des élèves… “, 2022). Les recherches sur la recherche d'aide ont montré que les apprenants évitent de demander de l'aide lorsqu'ils la perçoivent comme publique, menaçante pour leur statut ou embarrassante. La honte, la peur d'être évalué et la crainte de „ perdre la face “ empêchent ainsi les enfants de poser des questions en classe. Les systèmes d'IA peuvent efficacement compléter le soutien des enseignants à cet égard, car ils fournissent patiemment et personnellement aide et retours sans risquer les coûts sociaux et la stigmatisation perçus liés à la recherche d'aide (Aleven et al., 2016).

ConclusionsL’aide à l’apprentissage par l’IA devrait être un partenaire métacognitif et motivationnel :

• Établir des relations: Utilisation d’avatars ou de récits amicaux et personnalisés (Ruan et al., 2020).
• Commentaires axés sur la croissanceFournir des commentaires qui valorisent les efforts et présentent les erreurs comme des opportunités d'apprentissage (état d'esprit de croissance).
• Stimuler la réflexionLes questions du type „ Comment en êtes-vous arrivé à cette conclusion ? “ encouragent la réflexion sur son propre apprentissage (métacognition).

Aspects éthiques : ce que l’IA ne doit pas faire!

Les questions éthiques sont fondamentales pour l'apprentissage avec l'IA de nouvelle génération, en particulier lorsqu'il s'agit d'enfants. Holmes et al. (2021) appellent à l'élaboration collaborative d'un cadre éthique pour l'IA dans l'éducation qui, au-delà de la protection des données, englobe 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 mettant l'accent sur les compétences fondamentales, l'inclusion, l'égalité des chances et des solutions adaptées à l'âge et conformes à la protection des données. Les analyses exploratoires sur l'IA et l'épanouissement humain montrent que les recherches antérieures sont fortement axées sur la performance et les résultats d'apprentissage, tandis que les perspectives éthiques, métacognitives et liées aux enseignants restent insuffisamment étudiées (Fock & Siller, 2025).
Almheiri et al. (2025) et Cárdenas et al. (2025) identifient, dans leurs revues systématiques, les enjeux 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 indiquent qu'un usage fréquent de l'IA peut être associé à un déclin des capacités de pensée critique, notamment lorsque l'IA est principalement utilisée comme un outil de fourniture de réponses (Gerlich, 2025). Les recherches sur le profilage psychologique à l'aide de modèles de langage (MLM) démontrent la précision avec laquelle ces modèles peuvent extraire des schémas de personnalité et de valeurs à partir de textes, soulignant ainsi le risque d'utilisation abusive inhérent aux systèmes opaques (Rosenfelder et al., 2025). Par conséquent, la structuration pédagogique préalable et la régulation des outils d'IA sont primordiales, en particulier pour les jeunes enfants.
Gulz et al. (2021) soulignent également la nécessité de combiner l’adaptabilité avec une pédagogie inclusive sans stigmatiser les apprenants ayant des besoins spéciaux – un aspect important qui est souvent négligé.

Conclusions : Un facilitateur d'apprentissage responsable de l'IA dans les cours de mathématiques doit :

• sauvegarde des données pour éviter le profilage psychologique, par exemple en traitant systématiquement les données de préférence sur l'appareil ou dans des infrastructures sécurisées, en séparant les évaluations de l'IA des données personnelles, qui devraient être limitées au strict minimum.
• être sans barrières: Utiliser l’interaction multimodale (langage, texte, image) pour répondre aux divers besoins d’apprentissage (Hocine et al., 2023) et promouvoir l’égalité des chances en tenant compte spécifiquement des apprenants défavorisés dans le processus de conception.
• pour expliquer son fonctionnement, du moins dans ses grandes lignes,
• Étudiants à analyse critique Stimuler les réponses de l'IA (Kortenkamp, 2024),
• non pas contrôler les apprenants, mais Renforcer l'autonomie.
• être pédagogiquement pré-structuré et contrôlé.

Dans le cadre du projet PRIMA-AI, le modèle de cadre SKILL pour l'utilisation de l'IA générative chez les jeunes enfants a été développé, qui relie l'ouverture et la nature pré-structurée des systèmes utilisés aux compétences nécessaires pour traiter l'IA et peut donc fournir des orientations importantes pour la conception de l'utilisation de l'IA.

L’IA comme catalyseur de nos propres découvertes mathématiques – et non comme un substitut

L’IA ne doit pas et ne doit pas conduire les enfants à rester les yeux rivés sur des écrans. Les recherches sur les interfaces tangibles et les robots sociaux montrent que l’IA peut également stimuler l’interaction dans le monde physique (Ligthart et al., 2023). L’IA devrait servir de catalyseur pour les activités mathématiques, par exemple pour découvrir des modèles qui peuvent ensuite être reproduits à l’aide de matériel tactile. Il existe actuellement beaucoup moins d’études pour l’enseignement primaire que pour l’enseignement secondaire et supérieur, mais les résultats existants suscitent un optimisme prudent : les enfants peuvent tirer profit de l’IA générale dans leur apprentissage si les environnements d’apprentissage sont conçus de manière appropriée (Hwang, 2022 ; Listyaningrum et al., 2024 ; Mott et al., 2023 ; Rumbelow & Coles, 2024 ; Yim & Su, 2025). Quelques exemples :

• Les élèves du primaire peuvent appréhender des concepts clés de l'IA, tels que la classification et les biais, lorsqu'ils sont abordés dans le cadre de projets, d'activités déconnectées ou ludiques (Yim & Su, 2025 ; Mott et al., 2023). Cette compréhension est essentielle pour que les enfants puissent évaluer de manière critique comment interagir avec les outils d'apprentissage proposés par les assistants d'IA, et comprendre que toute aide apportée n'est pas nécessairement pertinente.
• La reconnaissance d’objets assistée par l’IA (par exemple, pour les réglettes Cuisenaire) peut aider les enfants à lier de plus en plus leurs actions à des représentations mathématiques abstraites (Rumbelow & Coles, 2024).
• L'entraînement assisté par l'IA peut améliorer spécifiquement la fluidité en calcul mental, mais pour les enfants rencontrant des difficultés dans ce domaine, il doit être judicieusement combiné à d'autres formes d'exercice (Samuelsson, 2023). Samuelsson démontre que la pratique assistée par l'IA permet d'obtenir de meilleurs résultats en matière de fluidité que les méthodes basées uniquement sur la mémorisation.
• ChatGPT et les systèmes similaires montrent un potentiel pour soutenir la résolution de problèmes, les tâches géométriques et l'algèbre à l'école primaire, mais nécessitent une qualité d'invite élevée et un filtrage spécifique au sujet par les enseignants (Harahap, 2024 ; Listyaningrum et al., 2024 ; Schneider, 2025).
• Les systèmes adaptatifs pour les enfants atteints de dyscalculie montrent 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 améliorer les apprentissages. Sayed et al. (2022) confirment des améliorations significatives, notamment chez les élèves les plus en difficulté, grâce à des contenus adaptatifs et ludiques.

Conclusions : À l'école primaire, les assistants d'apprentissage IA devraient principalement servir à Stimulus pour des activités mathématiques riches Ils ne doivent pas servir d’outil pour „ parvenir rapidement à une solution “. La tâche centrale reste de permettre aux enfants d’examiner, de justifier et de négocier de manière critique les énoncés mathématiques, y compris ceux de l’IA (Kortenkamp, 2024 ; Aufenanger, 2023).

Conclusion : Concevoir un soutien à l'apprentissage basé sur l'IA pour les leçons de mathématiques dans une perspective didactique spécifique à la discipline

Sur la base de l'état actuel de la recherche et des considérations antérieures, les principes directeurs suivants pour la conception des tuteurs IA peuvent actuellement être formulés :

1. Adaptatif plutôt que réactif : Les bons tuteurs IA reconnaissent les schémas et les erreurs, fournissent une assistance mesurée et s'abstiennent de donner des solutions (Bastani et al., 2025 ; Bewersdorff et al., 2023 ; Kuo et al., 2025 ; Son, 2024).
2. Réfléchissez avant d'expliquer : Ils sont conçus de telle sorte que les apprenants doivent d’abord devenir actifs eux-mêmes avant que les explications et les commentaires ne suivent (Gisiger, 2025 ; Kumar et al., 2023).
3. Des connaissances didactiques spécifiques à la discipline comme base : Elles sont basées sur des modèles explicites d’apprentissage mathématique – et non pas seulement sur la plausibilité linguistique, qu’elles possèdent intrinsèquement (Cohn et al., 2025 ; Cononigo, 2024 ; Holmes & Tuomi, 2022 ; Makransky et al., 2024).
4. Partenaires métacognitifs : Ils favorisent la planification, le suivi et la réflexion plutôt que la simple exécution des tâches (Wu et al., 2025 ; Song et al., 2024).
5. Ensemble plutôt qu'isolés : Ils soutiennent les enseignants plutôt que de les remplacer et fonctionnent mieux dans des contextes à cadre humain pendant les phases d'apprentissage où les enseignants ne peuvent pas soutenir tous les enfants dans le processus d'apprentissage (Holmes et al., 2018; Ninaus & Sailer, 2022; Wang et al., 2024; Wezendonk & Veldhuis, 2024).
6. Justifiable sur le plan éthique : Ils prennent en compte la protection des données, l’équité, l’accessibilité et le risque de „ détérioration “ cognitive due à un soulagement excessif (Holmes et al., 2021 ; Fock & Siller, 2025 ; Gerlich, 2025 ; KMK, 2024).
7. Préstructuré plutôt qu'ouvert: Surtout avec les jeunes enfants, une intégration (appliquée ou dans un environnement d'apprentissage) de l'IA comme support à l'apprentissage, préstructurée pédagogiquement et contrôlée, est nécessaire, car les enfants ne sont souvent pas encore capables d'utiliser l'IA de manière indépendante comme support à l'apprentissage (Gulz et al., 2021).

Si nous concevons et approfondissons la recherche sur un support d'apprentissage par IA générative basé sur des principes directeurs, il ne s'agit pas d'un remplacement de l'enseignement, mais d'un élargissement potentiel du répertoire didactique et outil pour un retour d'information et un étayage plus personnalisés, notamment dans l'enseignement primaire. L'enjeu des prochaines années sera de traduire ces principes en dispositifs concrets et validés empiriquement pour l'enseignement des mathématiques à l'école primaire. Dans le cadre du projet PRIMA-AI, des outils d'aide à l'apprentissage par l'IA, intégrés à des applications, sont actuellement développés à partir des principes fondamentaux formulés pour les tuteurs IA. Ces outils font l'objet de recherches, de développements et d'optimisations dans le cadre d'une recherche-action.

---

littérature

Alemdag, E. (2025). L'effet des chatbots sur l'apprentissage : une méta-analyse de la recherche empirique. Revue de recherche sur la technologie dans l'éducation, 57(2), 459–481. https://doi.org/10.1080/15391523.2023.2255698

Aleven, V., Roll, I., McLaren, BM et Koedinger, KR (2016). L’aide est utile, mais jusqu’à un certain point : recherche sur la recherche d’aide avec les systèmes de tutorat intelligents. International Journal of Artificial Intelligence in Education, 26(1), 205-223. https://doi.org/10.1007/s40593-015-0089-1

Almheiri, ASB, Albastaki, H., & Alrashdan, H. (2025). Systèmes de tutorat basés sur l'IA dans l'éducation. Collection de livres sur les progrès en intelligence computationnelle et en robotique, 185–210. https://doi.org/10.4018/979-8-3373-0847-0.ch007

Aru, J., & Laak, K.-J. (2025). Développement d'un tuteur personnel général basé sur l'IA pour l'éducation. Tendances en sciences cognitives, 29(11), 957–960. https://doi.org/10.1016/j.tics.2025.09.010

Aufenanger, S., Herzig, B., et Schiefner-Rohs, M. (2023). Intelligence artificielle et écoles. Tâches pour l'enseignement et l'organisation des écoles. Dans C. de Witt, C. Gloerfeld et S. E. Wrede (dir.), L'intelligence artificielle dans l'éducation (p. 199-218). Springer Fachmedien. https://doi.org/10.1007/978-3-658-40079-8_10

Awang, L.A., Yusop, FD et Danaee, M. (2025). Pratiques actuelles et orientations futures de l'intelligence artificielle dans l'enseignement des mathématiques : une revue systématique. Revue électronique internationale de didactique des mathématiques, 20(2), em0823. https://doi.org/10.29333/iejme/16006

Bach, KM, Reinhold, F., et Hofer, S. (2025). Libérer le potentiel mathématique des élèves issus de milieux socio-économiques défavorisés – utiliser des outils pédagogiques pour améliorer les performances. npj Science of Learning, 10(1).

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). L'IA générative sans garde-fous peut nuire à l'apprentissage : preuves tirées des mathématiques du secondaire. Actes de l'Académie nationale des sciences, 122(26), 2422633122.

Bewersdorff, A., Seßler, K., Baur, A., Kasneci, E., & Nerdel, C. (2023). Évaluation des erreurs des étudiants dans l'expérimentation à l'aide de l'intelligence artificielle et de grands modèles de langage : une étude comparative avec des évaluateurs humains. Informatique et éducation : intelligence artificielle, 5, 100177. https://doi.org/10.1016/j.caeai.2023.100177

Buchholtz, N., Schorcht, S., Baumanns, L., Huget, J., Noster, N., Rott, B., Siller, H.-S., & Sommerhoff, D. (2024). Personne ne s'y attend ! Six principes directeurs sur les implications et les besoins de recherche des technologies d'IA dans l'enseignement des mathématiques. Communications de la Société de didactique des mathématiques, 117.

Canonigo, A.M. (2024). Tirer parti de l'IA pour améliorer la compréhension conceptuelle et la confiance des élèves en mathématiques. Journal d'apprentissage assisté par ordinateur, 40(6), 3215–3229. https://doi.org/10.1111/jcal.13065

Cárdenas, R., Vásquez, HGE, Gamboa, DAP, Arteaga-Arcentales, E., & Carrera, JEM (2025). Exploration des systèmes d'apprentissage adaptatifs basés sur l'IA et leur mise en œuvre dans les contextes éducatifs : une revue systématique de la littérature. Revue internationale de recherche innovante et d'études scientifiques, 8(4), 832–842. https://doi.org/10.53894/ijirss.v8i4.7961

Chudziak, JA, & Kostka, A. (2025). Tutorat mathématique basé sur l'IA : Plateforme pour une éducation personnalisée et adaptative. Notes de cours en informatique, 462–469. https://doi.org/10.1007/978-3-031-98465-5_58

Cohn, C., Rayala, S., Srivastava, N., Fonteles, J., Jain, S., Luo, X., Mereddy, D., Mohammed, N., & Biswas, G. (2025). Une théorie de l'échafaudage adaptatif pour les agents pédagogiques basés sur LLM. arXiv. https://doi.org/10.48550/arxiv.2508.01503

Contel, F., & Cusi, A. (2025). Étude du rôle de ChatGPT dans le soutien des processus métacognitifs lors d'activités de résolution de problèmes. Expériences numériques dans l'enseignement des mathématiques, 11(1), 167–191. https://doi.org/10.1007/s40751-024-00164-7

Cosentino, G., Anton, J., Sharma, K., Gelsomini, M., Giannakos, MN et Abrahamson, D. (2025). IA générative et données multimodales pour le feedback pédagogique : aperçus de l'apprentissage incarné des mathématiques. Revue britannique des technologies éducatives. https://doi.org/10.1111/bjet.13587

Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S. (2025). ChatGPT améliore-t-il l'apprentissage des étudiants ? Une revue systématique et une méta-analyse d'études expérimentales. Informatique et éducation, 227, 105224. https://doi.org/10.1016/j.compedu.2024.105224

Dinsmore, D.L., & Fryer, L.K. (2026). Que signifie réellement l'IA actuelle pour l'apprentissage des élèves ? Apprentissage et différences individuelles, 125, 102834. https://doi.org/10.1016/j.lindif.2025.102834

Fock, A., & Siller, H.-S. (2025). L'intelligence artificielle générative dans l'enseignement secondaire des STIM à la lumière de l'épanouissement humain : une revue de la littérature exploratoire. Place de la Recherche. https://doi.org/10.21203/rs.3.rs-6923010/v1

Gerlich, M. (2025). Les outils d'IA dans la société : impacts sur le déchargement cognitif et l'avenir de la pensée critique. Sociétés, 15(1), 6. https://doi.org/10.3390/soc15010006

Gisiger, M. (17 avril 2025). Le rôle de l'intelligence artificielle dans l'apprentissage : opportunités et risques. Michael Gisiger. https://text.tchncs.de/gisiger/die-rolle-von-kunstlicher-intelligenz-im-lernen-chancen-und-risiken

Gonnermann-Müller, J., Haase, J., Fackeldey, K., & Pokutta, S. (2025). FACET : Systèmes multi-agents basés sur LLM et centrés sur l'enseignant – Vers des feuilles de travail éducatives personnalisées. arXiv. https://doi.org/10.48550/arxiv.2508.11401

Guerino, G., Challco, GC, Veloso, TE, Oliveira, L., Penha, RSD, Melo, RF, Vieira, T., Marinho, MLM, Macario, V., Bittencourt, II, Isotani, S. et Dermeval, D. (2023). Systèmes de tutorat intelligents centrés sur l'enseignant : considérations de conception des enseignants des écoles publiques brésiliennes. Anais do XXXIV Simpósio Brasileiro de Informática na Educação. https://doi.org/10.5753/sbie.2023.235159

Gulz, A., & Haake, M. (2021). Aucun enfant laissé pour compte, ni isolé : est-il possible de combiner l'enseignement adaptatif et la pédagogie inclusive dans les logiciels de mathématiques précoces ? SN Sciences sociales, 1, 205. https://doi.org/10.1007/s43545-021-00205-7

Guo, J., Ma, Y., Jang, H., Li, T., Wu, J., Huang, D., Han, F., Noetel, M., Liao, K., Tang, X., & Kui, X. (2025). L'impact de l'intelligence artificielle sur la motivation et l'engagement des élèves du primaire : une revue systématique. PsyArXiv. https://doi.org/10.31234/osf.io/ecspn_v1

Harahap, R. (2024). Le rôle de ChatGPT dans l'amélioration de l'enseignement des mathématiques : une revue systématique. Annales de l'Académie vietnamienne des sciences et technologies, 28(2s), 511–524. https://doi.org/10.52783/anvi.v28.2753

Hocine, N., Moussa, MBO et Ali, S.A. (2023). Posicalculia : un environnement virtuel adaptatif pour les enfants ayant des difficultés d'apprentissage. IEEE INSTA 2023. https://doi.org/10.1109/inista59065.2023.10310592

Holmes, V.M. (2024). Conception d'un tuteur de mathématiques par intelligence artificielle pour les enfants atteints de dyslexie, de dysgraphie et de dyscalculie. https://doi.org/10.58445/rars.2035

Holmes, W., Bialik, M., et Fadel, C. (2019). L’intelligence artificielle dans l’éducation : promesses et implications pour l’enseignement et l’apprentissage. Centre de refonte des programmes d'études.

Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Shum, S., Santos, OC, Rodrigo, M., Cukurova, M., Bittencourt, I., & Koedinger, K. (2021). Éthique de l'IA dans l'éducation : vers un cadre communautaire. Revue internationale de l'intelligence artificielle en éducation, 32, 504–526. https://doi.org/10.1007/s40593-021-00239-1

Holmes, W., & Tuomi, I. (2022). État de l'art et pratique de l'IA dans l'éducation. Revue européenne de l'éducation, 57(4), 542–570. https://doi.org/10.1111/ejed.12533

Hwang, S. (2022). Examen des effets de l'intelligence artificielle sur les résultats en mathématiques des élèves du primaire : une méta-analyse. Durabilité, 14(20), 13185. https://doi.org/10.3390/su142013185

Jančařík, A., Michal, J. et Novotná, J. (2023). Utiliser AI Chatbot pour le tutorat en mathématiques. Journal de l'éducation, de la culture et de la société, 14(2), 285–296. https://doi.org/10.15503/jecs2023.2.285.296

Kaliisa, R., Misiejuk, K., López-Pernas, S., & Saqr, M. (2025). Comment l'intelligence artificielle se compare-t-elle au feedback humain ? Une méta-analyse de la performance, de la perception du feedback et des dispositions à l'apprentissage. Psychologie de l'éducation, 1–32. https://doi.org/10.1080/01443410.2025.2553639

Kestin, G., Miller, K., Klales, A., Milbourne, T., et Ponti, G. (2025). Le tutorat par IA surpasse l'apprentissage actif en classe : un essai contrôlé randomisé introduisant une nouvelle conception basée sur la recherche dans un contexte éducatif authentique. Rapports scientifiques, 15(1), 17458. https://doi.org/10.1038/s41598-025-97652-6

KirschnerED (15 août 2025). ChatGPT dans l'éducation : un effet en quête de cause ? https://www.kirschnered.nl/2025/08/15/chatgpt-in-education-an-effect-in-search-of-a-cause/

KMK (2024). Recommandations à l'intention des autorités éducatives concernant l'intégration de l'intelligence artificielle dans les processus d'enseignement scolaire. https://www.kmk.org/fileadmin/veroeffentlichungen_beschluesse/2024/2024_10_10-Handlungsempfehlung-KI.pdf

Kortenkamp, U. (2024). De combien de mathématiques l'humanité a-t-elle besoin ? Compétences mathématiques fondamentales face à l'IA. https://doi.org/10.20378/irb-104036

Kumar, H., Rothschild, DM, Goldstein, DG et Hofman, JM (2023). L'enseignement des mathématiques avec de grands modèles de langage : péril ou promesse ? (Document scientifique SSRN n° 4641653). Réseau de recherche en sciences sociales. https://doi.org/10.2139/ssrn.4641653

Kuo, B.-C., Bai, Z.-E., & Lin, C.-H. (2026). Développement d'un compagnon d'apprentissage IA pour la résolution de problèmes mathématiques dans les écoles primaires. Informatique et éducation, 240, 105463. https://doi.org/10.1016/j.compedu.2025.105463

Li, M. (2024). Intégrer l'intelligence artificielle dans l'enseignement des mathématiques au primaire : étudier les influences internes et externes sur l'adoption par les enseignants. Revue internationale de l'enseignement des sciences et des mathématiques. https://doi.org/10.1007/s10763-024-10515-w

Ligthart, MEU, de Droog, SM, Bossema, M., Elloumi, L., Hoogland, K., Smakman, MHJ, Hindriks, KV et Ben Allouch, S. (2023). Spécifications de conception d'un tuteur de mathématiques robotique social. Dans G. Castellano, L. Riek, M. Cakmak et J. Leite (dir.), Actes de la conférence internationale ACM/IEEE 2023 sur l'interaction homme-robot (p. 321-330). ACM/IEEE. https://doi.org/10.1145/3568162.3576957

Listyaningrum, P., Retnawati, H., Harun, H., & Ibda, H. (2024). Apprentissage numérique utilisant ChatGPT dans l'apprentissage des mathématiques à l'école primaire : une revue systématique de la littérature. Revue indonésienne de génie électrique et d'informatique, 36(3), 1701–1710. https://doi.org/10.11591/ijeecs.v36.i3.pp1701-1710

Liu, J., Sun, D., Sun, J., Wang, J., & Yu, PLH (2025). Conception d'un environnement d'apprentissage génératif basé sur l'IA pour la résolution de problèmes mathématiques dans les écoles primaires : performance d'apprentissage, attitudes et interaction. Informatique et éducation : intelligence artificielle, 9, 100438. https://doi.org/10.1016/j.caeai.2025.100438

Makransky, G., Shiwalia, BM, Herlau, T., et Blurton, S. (2024). Au-delà du facteur „ Wow “ : utiliser l’IA générative pour accroître la création de sens générative. Revoir. https://doi.org/10.21203/rs.3.rs-5622133/v1

Mott, B., Gupta, A., Glazewski, K., Ottenbreit-Leftwich, A., Hmelo-Silver, C., Scribner, A., Lee, S., & Lester, J. (2023). Favoriser l'éducation à l'IA dans le cycle supérieur du primaire : affiner de manière itérative une progression d'échafaudage Utiliser-Modifier-Créer pour la planification de l'IA. Actes de la conférence 2023 sur l'innovation et la technologie dans l'enseignement de l'informatique, vol. 2, 647. https://doi.org/10.1145/3587103.3594170

Ninaus, M., & Sailer, M. (2022). Boucler la boucle – Le rôle humain dans l’intelligence artificielle pour l’éducation. Frontières de la psychologie, 13. https://doi.org/10.3389/fpsyg.2022.956798

Opesemowo, OAG, & Adewuyi, HO (2024). Une revue systématique de l'intelligence artificielle dans l'enseignement des mathématiques : l'émergence de la 4RI. Revue eurasienne d'enseignement des mathématiques, des sciences et des technologies, 20(7), em2478. https://doi.org/10.29333/ejmste/14762

Qian, K., Liu, S., Li, T., Raković, M., Li, X., Guan, R., Molenaar, I., Nawaz, S., Swiecki, Z., Yan, L., & Gašević, D. (2026). Vers un échafaudage fiable piloté par l'IA générative : réduire les hallucinations et améliorer la qualité du soutien à l'apprentissage autorégulé. Informatique et éducation, 240, 105448. https://doi.org/10.1016/j.compedu.2025.105448

Rosenfelder, A., Levitin, MD, et Gilead, M. (2025). Vers une superintelligence sociale ? L'IA déduit divers traits psychologiques à partir de textes sans formation spécifique, surpassant les juges humains. L'informatique et le comportement humain : les humains artificiels, 6, 100228. https://doi.org/10.1016/j.chbah.2025.100228

Ruan, S., He, J., Ying, R., Burkle, J., Hakim, D., Wang, A., Yin, Y., Zhou, L., Xu, Q., AbuHashem, AA, Dietz, G., Murnane, EL, Brunskill, E., & Landay, JA (2020). Soutenir l'apprentissage des mathématiques chez les enfants grâce à une technologie narrative enrichie de rétroaction. Actes de la conférence CHI 2020 sur les facteurs humains dans les systèmes informatiques. https://doi.org/10.1145/3392063.3394400

Rumbelow, M., & Coles, A. (2024). La promesse de la reconnaissance d'objets par l'IA dans l'apprentissage des mathématiques : une étude exploratoire des interactions d'enfants de 6 ans avec les réglettes Cuisenaire et l'application Blockplay.ai. Sciences de l'éducation, 14(6), 591. https://doi.org/10.3390/educsci14060591

Samuelsson, J. (2023). Maîtrise des faits arithmétiques assistée par l'intelligence artificielle. Frontières de la technologie éducative, 6(1), 13. https://doi.org/10.22158/fet.v6n1p13

Sayed, W.S., Noeman, A., Abdellatif, A., Abdelrazek, M., Badawy, MG, Hamed, AEA, & El-Tantawy, S. (2022). Présentation de contenu personnalisée adaptative basée sur l'IA et navigation dans les exercices pour une plateforme d'apprentissage en ligne efficace et engageante. Outils et applications multimédias, 82(3), 3303–3333. https://doi.org/10.1007/s11042-022-13076-8

Schneider, RJ (s.d.). L'utilisation de l'IA pour faciliter la préparation des leçons : comment évaluer, d'un point de vue didactique, les exercices pratiques générés par l'IA pour les mathématiques au primaire ? [Manuscrit non publié].

Son, T. (2024). L'intelligence artificielle dans l'enseignement des mathématiques : une revue systématique de la littérature sur les systèmes de tutorat intelligents. Journal de recherche pédagogique en mathématiques, 34(2), 187. https://doi.org/10.29275/jerm.2024.34.2.187

Song, Y., Kim, J., Liu, Z., Li, C., & Xing, W. (2024). Rôles, opportunités et défis perçus par les élèves d'un agent pédagogique alimenté par une IA générative : le cas d'une classe de mathématiques au collège. Revue de recherche sur la technologie dans l'éducation, 1–19. https://doi.org/10.1080/15391523.2024.2447727

Topkaya, Y., Doğan, Y., Batdı, V. et Aydın, S. (2025). Applications de l'intelligence artificielle dans l'enseignement primaire : une étude par méta-analyse mixte à visée quantitative [Prépublication]. Prépublications. https://doi.org/10.20944/preprints202501.2263.v1

Vitale, A., et Dello Iacono, U. (2024). Utilisation de robots sociaux comme technologie éducative inclusive pour l'apprentissage des mathématiques par le biais de la narration. European Public & Social Innovation Review, 9, 1–17. https://doi.org/10.31637/epsir-2024-672

Wang, D., Shan, D., Ju, R., Kao, B., Zhang, C., & Chen, G. (2025). Étude de l'interaction dialogique dans le tutorat mathématique individuel en ligne K12 à l'aide de techniques d'IA et d'exploration de séquences. Éducation et technologies de l'information, 30(7), 9215–9240. https://doi.org/10.1007/s10639-024-13195-9

Wang, J., & Fan, W. (2025). L'effet de ChatGPT sur les performances d'apprentissage des étudiants, leur perception de l'apprentissage et leur pensée d'ordre supérieur : enseignements tirés d'une méta-analyse. Communication en sciences humaines et sociales, 12(1), 1–21. https://doi.org/10.1057/s41599-025-04787-y

Wang, L., & Nie, Z. (2023). Recherche sur l'apprentissage adaptatif dans l'enseignement primaire et secondaire dans la perspective de la littératie en intelligence artificielle des enseignants : développement, technologie, stratégies d'amélioration. IEEE CSTE 2023. https://doi.org/10.1109/cste59648.2023.00059

Wang, RE, Ribeiro, AT, Robinson, CD, Loeb, S., & Demszky, D. (2024). Tutor CoPilot : une approche homme-IA pour la mise à l'échelle de l'expertise en temps réel. préimpression arXiv arXiv:2410.03017. https://arxiv.org/abs/2410.03017

Wezendonk, A., & Veldhuis, M. (2024). Systèmes vides adaptatifs et solution didactique pour l'apprentissage scolaire de base dans le domaine de la connaissance. Tijdschrift voor Onderwijs en Praktijk in Statistiek. https://doi.org/10.54657/tops.13844

Wu, R., & Yu, Z. (2024). Les chatbots d'IA améliorent-ils les résultats d'apprentissage des étudiants ? Preuves issues d'une méta-analyse. Revue britannique des technologies éducatives, 55(1), 10–33. https://doi.org/10.1111/bjet.13334

Wu, X.-Y., Radloff, J., Yeter, I., Wang, L., & Chiu, TKF (2025). Conception de chatbots d'intelligence artificielle pour l'apprentissage autorégulé à partir d'une revue systématique basée sur les trois intérêts d'Habermas. Environnements d'apprentissage interactifs. https://doi.org/10.1080/10494820.2025.2563086

Yim, IHY et Su, J. (2025). L'éducation à l'intelligence artificielle dans les écoles primaires : une revue. Revue internationale de l'enseignement des technologies et du design. https://doi.org/10.1007/s10798-025-09979-w

Zheng, L., Niu, J., Zhong, L., & Gyasi, J.F. (2023). L'efficacité de l'intelligence artificielle sur la réussite et la perception de l'apprentissage : une méta-analyse. Environnements d'apprentissage interactifs, 31(9), 5650–5664. https://doi.org/10.1080/10494820.2021.2015693