1(English version below)
- 1 Didactique des langues et des cultures
2Tout au long du 20ᵉ siècle, l’accroissement de la puissance des ordinateurs et de leur capacité de stockage a permis, sur fonds de débats neuroscientifiques, la création d’algorithmes de plus en plus complexes. Les avancées technologiques, visant l’adaptation des machines aux actions des usager·ères, ont ouvert une réflexion dès la fin des années 70 sur l’Enseignement assisté par ordinateur – dit EAO – (Strauss, 1985), puis dans les années 2010 à l’Apprentissage des Langues assisté par Ordinateur (ALAO). Aujourd’hui, elle prend de nouvelles dimensions avec l’Apprentissage des Langues Assisté par les Intelligences Artificielles (désormais ALA-IA en DLC1). Au-delà des applications en matière d’innovation informatique, le présent numéro vise à engager une réflexion à la fois épistémologique et praxéologique sur les usages des logiciels d’IA dans l’enseignement et l’apprentissage des langues.
3Depuis fin 2022, et une « démocratisation » d’outils basés sur la technologie de l’Intelligence Artificielle Générative (IAG : ChatGPT2, Midjourney3, Perplexity4, Claude5, etc.), les IA ont irrévocablement modifié le champ de l’enseignement et l’apprentissage des langues et des cultures. Ces outils interrogent des pratiques que les outils numériques avaient déjà modifiées dans la deuxième moitié du 20ᵉ siècle, comme la didactisation des contenus langagiers, l’automatisation des évaluations, le développement des littératies numériques (Cavalla & Mangiante, 2023). L’appropriation des IA par les institutions éducatives, partie prenante d’un processus de destruction créatrice inhérent à l’économie de l’innovation (Aghion et al., 2020), questionne jusqu’aux rôles constitutifs de ses acteurs et actrices sociales : certain·es, moins rentables, sont remplacé·s par des machines qui le sont davantage. L’outil d’évaluation Fidelia, développé par France Éducation Internationale (FEI), en est un exemple parmi tant d’autres. Les seconds évaluateurs et évaluatrices des épreuves d’expression écrite du TCF6 ont été substitué·es par ce nouveau dispositif d’aide à la correction (France Éducation International, 2024).
4Les logiciels et applications des IA sont considérés, de manière générale dans les discours circulants, comme potentiellement intéressants pour diversifier les pratiques des enseignant·es et apprenant·es en langues, soit en utilisant des logiciels spécialisés (ex : DeepFLE7, Sapere8, laboratoire commun ALAIA9), soit en adaptant les fonctions ou usages de logiciels non spécialisés aux besoins, en particulier ChatGPT (voir les articles de la rubrique Pratique et recherche du présent numéro). Ces points de vue rejoignent les analyses de Fluckiger (2019) qui montrent que les discours sur le numérique reposent souvent sur une vision positiviste de la technique, héritée du techno-utopisme du début des années 80. Albero (2011), de son côté, explique que le développement d’une technologie au service d’un objectif pédagogique est dans les discours circulants systématiquement innovant et justifié dans ce sens. Dans un autre registre, d’autres s’inquiètent d’une potentielle disparition de l’apprentissage et donc de l’enseignement des langues, en particulier avec le développement d’outils de traduction et d’interprétation en temps réel. Pérez-Paredes (2024) s’interroge ainsi dans The Conversation : « quel est l’intérêt d’apprendre une langue étrangère si notre téléphone peut toutes les “parler” et les “comprendre” ? Quel est le rôle de l’enseignement des langues dans ce contexte ? ». L’auteur discute des deux scénarios qui coexistent actuellement : l’un, catastrophique, annonçant la fin de tout apprentissage et l’autre, plus optimiste, augurant une collaboration humain-machine telle que les pratiques professionnelles des traducteur·rices professionnel·les qui se sont approprié ces outils depuis le déploiement en ligne de Linguee10 (lancé en 2010, suivi par DeepL11 en 2017), notamment.
5Au vu de leur expansion et leur accessibilité grandissante, l’intérêt de la communauté scientifique pour ces nouvelles technologies s’accroît, de même que celui des institutions nationales et internationales. En plus du présent numéro, on peut mentionner des dizaines d’évènements scientifiques à propos des IA et de leurs implications dans l’enseignement des langues (ex : un appel à contributions a été récemment lancé par Othman et Jaumont, intitulé « Intelligence artificielle et éducation bilingue : opportunités et défis », dont la publication en 2025 est portée par le Centre pour l’Avancement des langues, de l’Éducation et des Communautés12), mais aussi dans les disciplines connexes comme la traduction (ex : une journée d’études sur la formation des formateur·rices en traduction à l’ère de l’IA co-organisée par Institut européen des métiers de la traduction et l’Association française des formations universitaires aux métiers de la traduction en novembre 2024 à l’Université de Bourgogne13) et l’écriture scientifique et littéraire (ex : les formations Canopé14 de l’Éducation Nationale). D’après le Haut Conseil de l’Évaluation de la Recherche et de l’Enseignement Supérieur (Hcéres), la part des publications mondiales sur les IA tend depuis 2018 à s’élargir à de nouveaux domaines15 et le champ de la didactique des langues et des cultures n’échappe pas à cette vague. Les articles de ce numéro donnent ainsi à réfléchir à certaines de leurs applications.
6Commençons par quelques définitions autour de l’IA. La CNIL (Commission Nationale de l’Informatique et des Libertés) définit l’IA comme « un procédé logique et automatisé reposant généralement sur un algorithme et en mesure de réaliser des tâches bien définies » (Direction des Affaires Juridiques, 2024). En réalité, l’explication de ce que regroupe l’IA est complexe tant ce qu’elle implique en termes technologiques est varié. Suchman, dans son article The uncontroversial ‘thingness’ of AI (2023), qualifie ainsi l’IA de « signifiant flottant » (floating signifier) en faisant référence à l’anthropologue Lévi-Strauss qui définit le signifiant flottant comme un système de « valeur symbolique zéro, c’est-à-dire un signe marquant la nécessité d’un contenu symbolique supplémentaire à celui qui charge déjà le signifié » (Levi-Strauss, 1950, p. XLIX sq.). Ainsi, Lévi-Strauss explique que « l’homme dispose à son origine d’une intégralité de signifiants » pas tous dotés de signifié ; de ce fait, il existe « du signifiant en trop », que Lévi-Strauss appelle « signifiant flottant » (Clément, 2025). En d’autres termes, l’IA est un signe dont le signifiant flottant (à la fois sur « intelligence » et sur « artificielle ») est investi d’un point de vue social, politique et économique. On comprendra que la définition puisse échapper à certain.es et que d’autres – justement – choisiront le signifié qui profitera à leur commerce. Dans ce contexte, les usager·ères peuvent dès lors rencontrer des difficultés à engager, tout au moins à l’heure où nous écrivons ces lignes, une approche sociocritique sur les usages possibles des IA. En outre, l’ajout de « générative » complexifie la flottabilité du signifiant. En effet, l’IAG est une IA qui crée, fabrique, génère des contenus nouveaux à partir de contenus accessibles sur internet déjà existants (textes, photos, audio…). C’est à cet endroit que les questions à la fois de ce qu’est la création et des droits d’auteur et d’autrice se posent. Le signifiant flottant dans toute sa splendeur.
- 16 Notre traduction. « Un chatbot est un exemple typique de système d'intelligence artificielle et l'u (...)
- 17 « Consigne donnée par un utilisateur à un modèle génératif, généralement formulée en langue naturel (...)
7Ainsi, l’ère des IAG marque un tournant dans l’enseignement et l’apprentissage des langues à plusieurs titres. Le premier point est qu’on peut penser – en raison du signifiant flottant – que la machine remplacera l’humain et que celui-ci se limitera à l’utiliser. Comme nous n’en sommes pas encore à ce stade du développement humain – et de la machine – afin d’interagir avec un agent conversationnel16, enseignant·es et apprenant·es de langues devront apprendre à se servir de ces outils et notamment à rédiger des prompts17. Il sera alors nécessaire de comprendre comment les acteurs (enseignant.es et apprenant.es) les utilisent.
8Le deuxième point concerne l’appropriation de ces outils, c’est-à-dire le fait de comprendre leur fonctionnement, leurs apports réels et leurs limites dans le cadre des pratiques professionnelles. Rappelons qu’elles sont interdépendantes des bases de données (de leur mise à jour et de leur pertinence) sur lesquelles elles s’appuient et qu’elles s’auto-alimentent au fil de leur utilisation ; elles sélectionnent et génèrent leur propre corpus. Les enseignant·es et les apprenant·es de langues devront en conséquence les comprendre mais aussi ajuster leurs stratégies aux capacités actuelles de ces outils. En effet, les systèmes d’IAG, basés sur des probabilités plutôt que sur des définitions fixes, rencontrent des difficultés à interpréter les signifiants flottants, les métaphores ou les figures de style ; par exemple, selon ChatGPT18, un gâteau d’anniversaire, en français, est statistiquement un gâteau au chocolat. De ce fait, un·e enseignant·e doit adapter son enseignement à de telles représentations et prendre des décisions pédagogiques à ce propos : utiliser ou non de telles représentations dans une classe de langues ? Les logiciels d’IAG interviennent, en tant qu’outils numériques et didactiques, dans le processus décisionnel des enseignant·es et des apprenant·es. Ils constituent soit des étais, des stratégies didactiques (Ramón Esponda, 2024), soit des interférences dans la didactisation des savoirs (Roussel, 2023, 2021). Dans le domaine des sciences cognitives, Pagliari (2023) a ainsi réussi à démontrer que la perte d’agentivité des usagers peut conduire à un désengagement de leur part. Plus les IA contrôlent la tâche, plus l’attention des usagers diminue. Les erreurs sont par conséquent plus nombreuses et la mémoire humaine est moins sollicitée sur le long terme. L’apprentissage et la compréhension de ces outils requièrent de porter une attention particulière à leurs limites. OpenAI a par ailleurs déployé SimpleQA, dont la fonction est de mesurer la performance de ses modèles en interaction avec leurs utilisateurs et utilisatrices. En octobre 2024, aucun des modèles n’avait dépassé la barre des 50% de réponses correctes, le reste du temps la machine crée ce que les concepteurs et conceptrices appellent des « hallucinations » (Barassi, 2024). ChatGPT o1 preview, par exemple, répond juste à 42,7% tandis que 9,2% des prompts sont restés sans réponse et 48% ont généré des réponses erronées19. Plusieurs facteurs sont à prendre en compte, dont la qualité et la validité des corpus et de leurs annotations, sur lesquels s’appuient les systèmes d’IAG et la programmation d’algorithmes et cela a un impact sur les tâches demandées (transcription, traduction, compréhension, résumé…). En effet, il faut
régulièrement reparamétrer ou réécrire les algorithmes en fonction de la tâche à accomplir ou de la modification du contexte : certains changements de paradigmes sont en effet impossibles à simuler ; les modèles, spécialisés dans des tâches précises, ne sont que des approximations de la réalité, et reposent sur un certain nombre d’hypothèses qu’il faut régulièrement vérifier (Hours, 2019, p. 52).
9Pourtant, les utilisateurs et utilisatrices des agents conversationnels sont plus enclin·es à se laisser persuader par les discours d’une IAG que par ceux de leurs interlocuteurs et interlocutrices humaines en raison, d’après Goel et al. (2024), d’un scepticisme grandissant. Un autre biais est par ailleurs problématique pour la didactique des langues et des cultures, celui des discriminations (Tighanimine, 2023 ; Bender et al., 2021). L’analyse de corpus de masse introduit des biais dans les modèles et par conséquent dans ce que renvoie l’IA, y compris des préjugés qui sont ensuite interprétés littéralement, ce qui va à l’encontre de certains principes éthiques mis en avant en DDLC, dont la diversité et l’inclusion (Cicurel & Spaëth, 2017). Ces discriminations deviennent d’autant plus visibles lorsqu’on utilise les IA génératives d’images. Ducel, Névéol et Fort (2024) s’intéressent depuis longtemps aux biais de ces outils et en font un état de l’art qui conclut à l’introduction de davantage de diversité – en nombre de langues notamment – dans les corpus utilisés par les IAG. Enfin, tous les pays ne sont pas égaux face à ce type de logiciels : les emprunts réalisés lors de l’apprentissage automatique sont limités par la capacité des systèmes à traiter des quantités massives de données pas toujours disponibles pour certaines langues, mais également par certaines décisions politiques. Quel que soit le pays, par exemple, la population n’a pas accès aux mêmes données sur Google, ce qui est valable également pour les logiciels d’IA développés par la firme. En ce qui concerne l’enseignement et l’apprentissage des langues, ce rapport aux usages de la langue que les IAG ne considèrent pas a un impact qu’il est nécessaire de questionner dans la formation des enseignant·es. En effet, développer une pensée critique fondée sur des faits scientifiquement validés devient donc essentiel pour identifier et corriger les erreurs des IAG (Walter, 2024). Cependant, cet apprentissage crée une inégalité entre ceux et celles qui ont accès à l’éducation et ceux et celles qui en sont exclus.
10Enfin, les liens interactionnels entre IA et humains sont centraux quand il est question d’enseignement et d’apprentissage des langues. En effet, dans leurs interactions avec l’humain, les IA ne peuvent pas considérer la « socialité » ou « socialness », concept développé par Collins (2000), pour décrire « la capacité qui nous permet (1) d’acquérir toutes les habiletés et le savoir-faire pour lesquels nous ne pouvons pas formuler de règles, et (2) d’user de ces habiletés et savoir-faire de façon créative et en empruntant des voies nouvelles sans pour autant violer leurs règles d’usage » (Collins, 2000, p. 21). Du point de vue de l’enseignement et de l’apprentissage des langues, la socialité dans le sens de Collins est centrale. Elle met en lumière des compétences essentielles à l’apprentissage et à l’utilisation d’une langue dans des contextes réels et variés. Comme vu précédemment avec le signifiant flottant, une langue n’est pas qu’une suite de mots et de règles ; elle est ambiguïtés, métaphores et significations contextuelles. La socialité permet de naviguer dans cette complexité et de saisir les sens implicites dans une conversation ou un texte. Elle contribue au développement possible d’une compétence de l’implicite au sens large : implicite linguistique et culturel. Les gestes, les émotions, la situation spécifique, le ton employé, sont des sources implicites de sens que les IAG ne savent pas encore manipuler. La socialité aide à intégrer ces aspects rarement explicités et contribue à l’enseignement et l’apprentissage de la communication dans son ensemble : le décodage sémiotique des échanges humains. Et de fait, en comparant la gestion des séquences d’ouverture et de clôture d’apprenants de langue avec des humains et avec des IA, Dombi et al. (2024) montrent ainsi que les apprenants tendent à construire ces moments clés de l’interaction de manière plus relationnelle avec un partenaire humain et de manière plus transactionnelle avec une IA. Nous pouvons ajouter à ces éléments, la créativité à la fois dans l’usage de la langue et dans les normes sociales d’usage dans une culture donnée. Dès lors qu’un connaisseur ou qu’une connaisseuse de la culture cible échange avec une personne apprenante, cette dernière découvre et peut apprendre les usages de cette culture, peut discuter de ses choix culturels et linguistiques et improviser. En résumé, la socialité est indispensable dans l’enseignement des langues, car elle prépare les apprenant·es à utiliser la langue de manière dynamique et créative. Cela dépasse l’apprentissage technique et favorise une maîtrise intégrée et relationnelle des langues. Nous évoquons ici le cas où les personnes souhaitent apprendre une langue dans sa réalité humaine et culturelle, et pas uniquement pour son côté instrumental.
11Dans le cadre de l’appel à soumission de ce numéro thématique Alsic, qui a été publié en octobre 2023, nous voulions interroger les utilisations des IAG tant pour l’enseignement que pour l’ingénierie pédagogique et la formation pour l’enseignement et l’apprentissage des langues. Tous ces sujets n’ont pas été étudiés dans les articles que nous avons reçus en avril 2024. Pourtant, faire le choix d’introduire les IA dans son agir professionnel, c’est se positionner par rapport aux problématiques qu’elles soulèvent en lien avec les modèles utilisés (IA génératives, modèles de langages causaux, modèles construits par apprentissage automatique…) et, par conséquent, le fonctionnement intrinsèque des systèmes d’apprentissage automatique (ou Machine Learning) et profond (ou Deep Learning) (Goksel & Bozkurt, 2019). Rappelons également que ces machines fonctionnent à partir de systèmes statistiques dont le raisonnement et/ou l’intelligence ne recouvrent pas les mêmes réalités que pour les humains (Mattei & Villata, 2022). Dans ce numéro, nous voulions engager une réflexion sur les effets de l’utilisation des IAG :
-
le travail de didactisation des savoirs langagiers, dans la mesure où les logiciels peuvent influencer le matériau langagier ;
-
les approches pédagogiques adoptées mettant en relation les littératies de l’écrit et de l’oral et les littératies numériques ;
-
l’éthique mise en lien avec la problématique de l’authentique et de l’authenticité, mais également de l’open source et des données personnelles (RGPD20) ;
-
la variété des langues et des cultures (le plurilinguisme, les normes, la standardisation et les variations sociolangagières).
12Ainsi, nous attendions-nous à recevoir des propositions d’articles relevant des trois axes thématiques suivants : 1/les IA dans l’enseignement et l’apprentissage des langues, 2/les IA dans l’ingénierie pédagogique et numérique spécialisée dans l’enseignement et l’apprentissage des langues, et 3/les IA dans la formation des (futur·es) enseignant·es de langues. Nous avons reçu principalement des articles relevant de la première thématique. Peut-être étions-nous trop impatientes et les chercheurs et chercheuses en didactique des langues étaient justement dans la phase de découverte et d’expérimentation avant de s’interroger plus avant sur les implications de l’utilisation de ces nouveaux outils. Ainsi, se pose la question des effets de l’utilisation des IAG sur l’ensemble des étapes de la didactisation des langues et des cultures : comment changent-elles l’écosystème de la classe ? Dans quelle mesure modifient-elles la relation et la communication entre les enseignant·es et les apprenant·es ? Nous n’avons pas encore de réponse à ces interrogations qui nous paraissent cruciales pour l’avenir des professions de notre champ d’étude à savoir : enseignant·es de langues, formateurs et formatrices d’enseignant·es et didacticien·nes.
13De même, les questions telles que « Les logiciels d’IA répondent-ils aux besoins des apprenant·es en langues ? » (Yang et al., 2022) ou « Quels sont les effets de ces outils sur la cognition des apprenant·es ? » sont peut-être trop anticipatrices. Toutefois, nous comprenons que ces outils sont désormais incontournables et que leur utilisation va devenir évidente dès que les acteurs et actrices du champ les auront pris en main. L’un des sujets qui surplombe quelque peu les autres reste celui de l’évaluation : les IA imposent de repenser nos façons d’évaluer et nos contenus d’évaluation. Cette refonte se fera sûrement petit à petit, mais elle va concerner l’enseignement dans son ensemble et la façon de préparer et d’aider les apprenant·es dans leurs apprentissages (Godwin-Jones, 2022).
14Pour ce numéro, la rubrique Recherche présente trois articles. Révauger et Rident interrogent le rôle potentiel de l’IAG dans le processus de création littéraire. Leur étude s’appuie sur une tâche d’écriture adressée à des étudiant·es d’anglais consistant à rédiger un poème à la manière d’un auteur anglophone à l’aide d’une IAG. Leur étude montre des résultats qualitatifs insatisfaisants concernant les interactions avec le chatbot. La nature conversationnelle de l’outil semble influencer le processus de création en suscitant une réponse rapide et émotionnelle de la part des apprenant·es, leurs prompts révélant des difficultés et de la frustration à orienter l’IA vers le résultat désiré. Ceci conduit les autrices à discuter des limites de l’IA en termes de créativité et à considérer le développement de compétences apprenantes à mieux cibler (littéraires, en littératie numérique et en citoyenneté numérique). Martinez, quant à lui, examine l’impact de l’IA sur l’enseignement des langues et des cultures, soulignant la nécessité d’une réflexion qui dépasse les simples méthodologies pédagogiques. Martinez propose d’analyser l’IA à travers trois axes : idéologie, temporalité et être-au-monde. Il insiste sur l’importance d’une approche contextuelle pour comprendre comment l’IA transformera le paysage éducatif et civilisationnel. L’article met en évidence les défis éthiques et les inégalités potentielles liés à l’intégration de l’IA dans les systèmes éducatifs, tout en appelant à une discussion ouverte sur son acceptabilité. Les conclusions sont présentées comme des pistes de réflexion plutôt que des certitudes définitives. La recherche de Yibokou, Boulton, Kalyaniwala et Schires se base sur 190 productions rédigées collaborativement par 753 étudiant·es d’anglais Lansad en licence SHS afin d’examiner l’influence des IAG sur les écrits des apprenant·es. Est constaté, d’une part, que l’usage spontané d’outils basés sur l’IA pour produire et améliorer leurs écrits en anglais est très répandu chez les étudiant·es (plus de 40%), l’usage de ChatGPT en particulier étant manifestement sous-déclaré. D’autre part, les textes en anglais rédigés avec l’IAG se distinguent des autres par des caractéristiques telles que la forte présence de participes présents ou une plus grande variété lexicale. Ceci pointe la nécessité d’explorer plus avant les usages des IAG en lien avec la rédaction en langue étrangère – leur fréquence, les stratégies les accompagnant, leur impact sur le développement langagier et les besoins qu’ils révèlent en termes pédagogiques – et celle de former les enseignant·es de langues à prendre en compte ces nouvelles pratiques en repensant aussi bien les tâches et compétences à cibler que leur rôle d’accompagnement.
15Les articles de la rubrique Pratique et recherche peuvent être mis en regard. En effet, Roussel et Ochoa invitent à considérer ChatGPT comme un outil de révision textuelle. Pour répondre à la question « l’IA permet-elle aux apprenants d’améliorer leur écrit ? », les deux autrices ont conçu un dispositif de feedback intégrant ChatGPT auquel ont participé 25 étudiant·es de licence apprenant l’allemand (langue seconde, Lansad). L’analyse opérée met en évidence les usages de l’IA par les apprenant·es, ses apports linguistiques, ainsi que ses limites dans l’apprentissage de la langue. Dans leur article, Holmes et Hamel explorent l’utilisation de ce même agent conversationnel pour la rétroaction corrective écrite interactive auprès d’étudiant·es en FLS. Leur étude a été menée auprès de 22 participant·es qui ont rédigé et révisé des textes en interaction avec ChatGPT. Les résultats révèlent que la majorité des étudiant·es ont trouvé cette expérience enrichissante, bien que leur engagement varie. L’analyse des fils de discussion a permis de créer des typologies basées sur les requêtes des participant·es et les réponses de l’agent conversationnel. L’article conclut par des recommandations sur l’utilisation de ChatGPT afin d’améliorer la révision textuelle dans l’apprentissage des langues.
16Les articles du présent numéro tendent à démontrer que les IA constituent des leviers à l’innovation en didactique des langues et des cultures. Les recherches initiées suite à la démocratisation de leurs usages ouvrent de nouvelles pistes de réflexion sur l’enseignement et l’apprentissage des langues (Pokrivcakova, 2019 ; Warschauer & Xu, 2024), tout en laissant inexplorés certains pans de ce domaine. Dans les pratiques, pour répondre aux besoins urgents du terrain, de nouvelles initiatives tendent à émerger dans de nombreux pays, tant dans le domaine du public que du privé, à l’image des formations en ligne, dont celle proposée par la Commission Européenne21, ou le master DALIA22 qui a ouvert en 2024 à l’université Mohamed 1er au Maroc.
17Afin de mettre en perspective ces pistes de recherche inexplorées, il est nécessaire de reconsidérer sous un nouveau jour certains de leurs constituants. S’agissant de l’ingénierie pédagogique et numérique, on peut se demander comment et dans quelles mesures les IA influencent le travail de didactisation et de pédagogisation réalisé en amont de la classe. Ont-elles la capacité de générer de nouvelles approches d’enseignement et d’apprentissage ? Peuvent-elles contribuer aux choix des contenus à enseigner ? Permettent-elles de générer et didactiser des supports ciblant des objectifs d’enseignement et d’apprentissage précis ? En outre, est-il possible de créer par leur intermédiaire des manuels papiers et numériques (des textes, des enregistrements audios, des images et des vidéos) ? Dans quelle mesure tiennent-elles compte dans les pratiques pédagogiques qu’elles suggèrent de la complexité des situations ?
18Concernant les formations des (futur·es) enseignant·es de langues, plusieurs aspects peuvent être abordés : comment (se) former à la conception pédagogique à travers le prompting ? Comment aider les enseignant·es à réfléchir aux contenus générés par les IAG pour réaliser une transposition didactique contextualisée, répondant aux besoins des apprenant·es ? Comment intégrer les usages de ces IA aux pratiques d’enseignement ? Comment et dans quelle mesure modifient-elles leur répertoire didactique ? Comment enseigner ces nouvelles pratiques et ce nouvel agir professoral aux futur·es enseignant·es et ingénieur·es pédagogiques ?
19Une autre dimension concerne les méthodologies de recherche. Comment étudier les usages des IA dans l’enseignement et l’apprentissage des langues, en didactique des langues ? Quelles approches ? La plupart des méthodologies mobilisées dans le présent numéro sont hypothético-déductives et décrivent un phénomène spécifique didactique quand il est instrumenté par les IA, soit dans les pratiques d’apprentissage, soit dans les pratiques d’enseignement. Les dimensions situées et interactives, voire interactionnelles des IA, ouvriraient des possibilités de réflexion pour l’enseignement-apprentissage des langues non négligeables.
20Les recherches sur l’IA dans le champ de la didactique des langues et des cultures s’inscrivent en réalité dans des problématiques sociétales plus vastes. On peut penser à l’injonction de plus en plus pressante de s’adapter professionnellement à l’innovation, aux inégalités sociales qui sont dues au difficile accès aux technologies et à l’urgence environnementale, ainsi qu’à la redéfinition du travail de l’humain dans un monde de plus en plus automatisé.
21Nous tenons à remercier les membres du comité scientifique pour avoir pris part à ce numéro thématique Alsic sur l’intelligence artificielle et la didactique des langues et des cultures : José Aguilar Río (Université Sorbonne Nouvelle), Fabienne Baider (Université de Cyprus), Marie Beillet (Université Paris Nanterre), Baptiste Bohet (Université Sorbonne Nouvelle), Nathalie Borgé (Université Sorbonne Nouvelle), Alex Boulton (Université de Lorraine), Jean-François Bourdet (Université du Maine), Stephan Breidbach (Humboldt Universsität zu Berlin), Peter Budd (Lucerne University of Applied Sciences and Arts), Alice Hélène Burrows (Université Sorbonne Nouvelle), Marco Cappellini (Université Lyon 1), Catherine Caws (University of Victoria), Chantal Charnet (Université Paul-Valéry Montpellier), Anne Chateau (Université de Lorraine), Christelle Combe (Aix-Marseille Université), Isabelle Cros (Aix-Marseille Université), Françoise Demaizière (Université Paris Diderot), Maud Dubois (Université de Neuchâtel), Isabelle Ferrané (Institut de recherche en informatique de Toulouse), Karen Fort (Sorbonne Université), Anne-Laure Foucher (Université Clermont Auvergne), Daniel Gaonac’h (Université de Poitiers), Nicolas Guichon (Université Lyon 2), Anissa Hamza-Jamann (INSPE de Lorraine), Laura Hartwell (Université Toulouse Capitole), Xiangxi Ji (Université Sorbonne Nouvelle), Alain Kamber (Université de Neuchâtel), Jovan Kostov (Université Paul Valéry Montpellier), Natalie Kübler (Université de Paris), Mathieu Loiseau (Université Lyon 1), Grégory Miras (Université de Lorraine), Catherine Muller (Université Grenoble Alpes), Christian Ollivier (Université de la Réunion), Samia Ounoughi (Université Grenoble Alpes), Roberto Paternostro (Université de Genève), Chrysta Pélissier (Université de Montpellier), Thierry Poibeau (CNRS), Céline Poudat (Université Côte d’Azur), Ève-Marie Rollinat-Levasseur (Université Sorbonne Nouvelle), Sabrina Royer (Université d’Avignon) Simona Ruggia (Université Côte d’Azur), Pierre Salam (Université du Maine), Cédric Sarré (Sorbonne Université, INSPE de Paris), Eva Schaeffer-Lacroix (Sorbonne Université, INSPE de Paris), Valérie Spaëth (Université Sorbonne Nouvelle), Geoffrey Sockett (Université Paris Descartes), Thierry Soubrié (Université Grenoble Alpes), Claire Tardieu, (Université Sorbonne Nouvelle), Henry Tyne (Université de Perpignan), Geoffrey Williams (Université de Bretagne-Sud), Donatienne Woerly (Université Sorbonne Nouvelle), Virginie Zampa (Université Grenoble Alpes).
22Throughout the 20th century, amidst neuroscientific debates, the increasing power and storage capacity of computers led to the creation of evermore complex algorithms. Technological advances aimed at adapting machines to the actions of users began to generate interest in computer-assisted learning – known as CAL – in the late 1970s (Strauss, 1985) and, in the 2010s, after Computer-Assisted Language Learning (CALL), led to the emergence of Artificial Intelligence (AI) and a subsequent research field, AI-assisted language learning. Looking beyond applications in computer innovations, this Alsic special issue aims to engage in both epistemological and praxeological reflection on the use of AI software in language teaching and learning.
23Since the end of 2022 and a "democratisation" of tools based on generative artificial intelligence technology (GenAI: ChatGPT23, Midjourney24, Perplexity25, Claude26 etc.), AI has irrevocably changed the field of teaching and learning languages and cultures. These tools challenge practices that digital tools had already changed in the second half of the 20th century, such as the design of language-learning content, the automation of assessments and the development of digital literacies (Cavalla & Mangiante, 2023). The appropriation of AI by educational institutions, which is part of a process of creative destruction inherent to the innovation economy (Aghion et al., 2020), questions the very roles of its social agents, as some are replaced by machines that are more profitable. The FIDELIA assessment tool, developed by France Éducation Internationale, is just one example of this. The second examiners of the TCF27 written production tests have been replaced by this new assessment tool (France Éducation International, 2024).
24AI software and applications are seen by many as potentially interesting ways to diversify language teachers’ and learners’ practices, either by using specialised software (e.g. DeepFLE28, Sapere29, ALAIA joint laboratory30), or by appropriating functions or uses of non-specialised software, in particular ChatGPT (see the articles in the Practice and Research section of this issue). These viewpoints are in line with Fluckiger's (2019) analyses, which show that discourse on digital technology is often based on a positivist view of technology stemming from the techno-utopianism of the early 1980s. Albero (2011), for her part, notes that the development of a technology that serves an educational goal is viewed by many as innovative and justified as such. In contrast, others are concerned about the possible disappearance of language learning and therefore language teaching, especially with the development of real-time translation and interpretation tools. For instance, Pérez-Paredes asks in The Conversation: "What is the point of learning a foreign language if our phones can 'speak' and 'understand' it? What role does language teaching play in this context?" (2024). The author discusses the two scenarios that currently coexist: a catastrophic one, which heralds the end of all learning, and another, more optimistic one, which paves the way for human-machine collaboration as practised by professional translators who have appropriated these tools, especially since the availability of Linguee31 (launched online in 2010, followed by DeepL32 in 2017).
25Given their proliferation and increasing accessibility, the scientific community's interest in these new technologies is growing, as is that of national and international institutions. In addition to this issue, there have been dozens of scientific events on AI and its impact on language teaching (e.g. a recent call for papers for a volume entitled "Language Unbound: Harnessing Artificial Intelligence in Bilingual Education" to be published in 2025 by the Center for the Advancement of Languages, Education, and Communities and edited by Othman and Jaumont33), as well as in related disciplines such as translation (e.g. a seminar on translator training, co-organised by the Institut européen des métiers de la traduction and the Association française des formations universitaires aux métiers de la traduction, held in November 2024 at the Université de Bourgogne34) and scientific and literary writing (e.g. Canopé35 training courses for the French ministry of education). According to the French High Council for Evaluation of Research and Higher Education (Hcéres), since 2018 the number of publications on AI worldwide has expanded into new areas36, and the field of language and culture teaching and learning has been no exception. The articles in this issue provide insights into some AI uses.
- 37 Original text in French: "valeur symbolique zéro, c'est-à-dire un signe marquant la nécessité d'un (...)
- 38 Original text in French: "l’homme dispose à son origine d'une intégralité de signifiants".
26Let us start with a few definitions of AI. The CNIL (Commission Nationale de l'Informatique et des Libertés – the French National Commission on Information Technology and Liberties) defines AI as "a logical and automated process, generally based on an algorithm, capable of performing well-defined tasks" (Direction des Affaires Juridiques, 2024). In reality, the explanation of what AI encompasses is complex because what it implies in technological terms is extremely diverse. In her article "The uncontroversial 'thingness' of AI" (2023), Suchman describes AI as a "floating signifier", referring to the anthropologist Lévi-Strauss, who defines the floating signifier as a system with "zero symbolic value, i.e. a sign that marks the need for additional symbolic content to that which already charges the signifier” (Levi-Strauss, 1950: XLIX ff.37). Indeed, according to Lévi-Strauss, "man has at his origin a totality of signifiers"38, not all of which have a signified; as a result, there is "a surplus signifier", which Lévi-Strauss calls a "floating signifier" (Clément, 2025). In other words, AI is a sign whose floating signifier (both in "intelligence" and in "artificial") is appropriated from social, political and economic perspectives. It is understandable then that some may find the definition of AI elusive, while others, quite rightly, will choose the meaning that best suits their interests. In this context, users may find it difficult – at least at the time of writing – to engage with a socially critical approach to the possible uses of AI. Furthermore, the addition of the qualifier 'generative' heightens the floating nature of the signifier. In fact, GenAI is an AI that creates, produces and generates new content from content already available on the internet (text, images, audio, etc.). This raises issues concerning both creation and copyright. This is the floating signifier in all its splendour.
- 39 "A chatbot is a typical example of an AI system and one of the most elementary and widespread examp (...)
- 40 "Prompts are the instructions or inputs given by a user to guide generative AI (GenAI) in creating (...)
27The era of GenAI therefore marks a turning point in language teaching and learning for several reasons. The first reason is that, because of the floating signifier, we might think that the machine will replace human beings and that human beings will merely use it. Since we are not yet at this stage of human – and machine – development, language teachers and learners who want to interact with a chatbot39 need to learn how to use these tools and, especially, how to write prompts40. It will then be necessary to understand how stakeholders (teachers and learners) use them.
28The second reason concerns the appropriation of these tools, i.e. understanding how they work, what contribution they really make and what their limits are in the context of professional practice. One must not forget that they depend on the databases (their updating and relevance) on which they are based and that they are self-sustaining in their use; they select and generate their own corpora. Language teachers and learners must therefore not only understand them, but also adapt their strategies to the current capabilities of these tools. Indeed, GenAI systems, which are based on probabilities rather than fixed definitions, have difficulty interpreting floating signifiers, metaphors or figures of speech. For example, a birthday cake in French is statistically a chocolate cake according to ChatGPT41. Consequently, teachers need to adapt their practices to such representations and make pedagogical decisions about whether or not to use them in the language class. As a digital and didactic tool, GenAI software is involved in the decision-making processes of teachers and learners. It either supports teaching and learning strategies (Ramon Esponda, 2024) or interferes with them (Roussel, 2023, 2021). In the field of cognitive science, Pagliari (2023) has shown that the loss of the users' ability to act as an agent can lead to disengagement. The less control the AI has over the task, the more users' attention wanes. As a result, more errors occur and users' memory is used less in the long run. If users want to learn and understand these tools, they need to pay particular attention to their limitations. In this respect, OpenAI has introduced SimpleQA, whose task is to measure the performance of its models as they interact with their users. In October 2024, none of the models passed the 50% mark for correct answers, and the rest of the time the machine produced what the developers call "hallucinations" (Barassi, 2024). For instance, ChatGPT o1 preview scored 42.7% correct answers, while 9.2% of the questions remained unanswered and there were 48% incorrect answers generated42. A number of factors must be taken into account, including the quality and validity of the corpora and their annotations on which the GenAI systems and the programming of the algorithms are based, which have an impact on the requested tasks (transcription, translation, comprehension, summarisation, etc.). Indeed,
algorithms must be regularly reconfigured or rewritten based on the task to be performed or the changes in context: Some paradigm shifts cannot be simulated; the models, specialised in certain tasks, are only approximations of reality and are based on a series of assumptions that must be regularly checked (Hours, 2019, p. 52).
29However, according to Goel et al. (2024), users of conversational agents are more inclined to be convinced by GenAI outputs than by human interlocutors' discourse due to growing scepticism. Another bias which is problematic for language and culture teaching and learning is that of discrimination (Tighanimine, 2023; Bender et al., 2021). Analysing mass corpora leads to biases in the models and consequently in the AI outputs. These include biases that are then interpreted at face value, which runs counter to certain ethical principles put forward in language and culture teaching and learning, including diversity and inclusion (Cicurel and Spaëth, 2017). These biases become all the more apparent when AI image-generating is used. Ducel, Névéol and Fort (2024) have long been interested in the biases of these tools and have produced a review of the state of the art, which concludes that more diversity – particularly in terms of the number of languages – should be included in the corpora used by GenAI. Finally, not all countries are equal when it comes to this type of software: the use of machine learning is limited by the ability of the systems to process large amounts of data – which is not always available for certain languages – and also by certain political decisions. For example, people in different countries do not have access to the same data on Google, and the same applies to the AI software developed by the company. As far as language teaching and learning is concerned, the implications of such disregard of language usage by GenAI need to be addressed in teacher training. Indeed, the development of critical thinking skills based on scientifically proven facts is essential to identify and correct the errors made by GenAI (Walter, 2024). Yet, the need to learn such skills is a source of inequality between those who have access to education and those who do not.
30Finally, the interactional dynamics between AI and humans is a key issue in language teaching and learning. Indeed, in their interactions with humans, AI cannot resort to "socialness", a concept developed by Collins (2000) to describe "the ability that allows us to (1) acquire all the skills and knowledge for which we cannot formulate rules, and (2) use those skills and knowledge creatively and in new ways without violating their rules of use" (Collins, 2000, p. 21). From the perspective of language teaching and learning, socialness in Collins' sense is paramount. It emphasises the skills that are essential for learning and using a language in real and diverse contexts. As previously illustrated by the example of the floating signifier, a language is not just a set of words and rules, but it is also ambiguous, metaphorical and contextual. Socialness makes it possible to navigate this complexity and to grasp the implicit meanings in a conversation or a text. It helps to develop a competence in dealing with implicit meaning in the broadest sense, both linguistically and culturally. Gestures, emotions, the specific situation and the tone of voice used are implicit sources of meaning that GenAI does not yet know how to deal with. Socialness helps to integrate these aspects, which are rarely addressed explicitly, and contributes to the teaching and learning of communication as a whole: the semiotic decoding of human exchange. In fact, by comparing the way language learners manage conversation openings and closings with humans and with AI, Dombi et al. (2024) show that learners tend to interact at these key moments on a more relational level with a human partner and on a more transactional level with an AI. Added to this is creativity, both in language use and the social norms of language use in a particular culture. Whenever an expert from the target culture interacts with a learner, the learner discovers and learns the customs of that culture, can discuss his or her cultural and linguistic choices and improvise. In short, socialness is essential in language teaching as it prepares learners to use language dynamically and creatively. This goes beyond technical learning and promotes an integrated and relational mastery of languages. It applies to people who want to learn a language in all its human and cultural aspects rather than just for its instrumental value.
31The call for papers for this special issue, which was released in October 2023, aimed to explore the use of GenAI in teaching, instructional design and training for language teaching and learning. Not all of these topics were covered in the articles that were received in April 2024. Yet choosing to include AI in one's professional activity means considering the issues it raises in relation to the models used (generative AI, causal language models, models built by machine learning, etc.) and, consequently, the intrinsic functioning of machine learning and deep learning systems (Goksel & Bozkurt, 2019). It should also not be forgotten that these machines operate on the basis of statistical systems whose reasoning ability and/or intelligence do not cover the same realities as for humans (Mattei & Villata, 2022). In this issue, we wanted to analyse the impact of GenAI use on:
-
the design of language-learning content, insofar as GenAI use can influence the language material;
-
the teaching approaches that combine written, oral and digital competences;
-
ethics in relation to the issues of authentic materials and authenticity, as well as open source and personal data (GPDR43);
-
the diversity of languages and cultures (plurilingualism, norms, standardisation and sociolinguistic variations).
32We therefore expected proposals for articles on the following three topics: 1/ AI in language teaching and learning, 2/ AI in instructional and digital design specialising in language teaching and learning, and 3/ AI in the training of (future) language teachers. We mainly received articles on the first topic. Perhaps were we too impatient and researchers in the field of language teaching were still exploring and experimenting with these new tools before considering the implications of their use. Therefore, the question arises of the impact of the use of GenAI on all phases of language and culture teaching: how do they change the classroom ecosystem? To what extent do they change the relationship and communication between teachers and learners? We do not yet have answers to these questions, which we believe are crucial for the future of the professions in our field, i.e. language teachers, teacher educators and didactics experts.
33Questions such as "Does AI software fulfil the needs of language learners?" (Yang et al., 2022) or "What impact do these tools have on learners' cognition?" are perhaps premature. However, we recognise that these tools are now indispensable and their uses will be apparent once people in the field are fully familiar with them. One of the topics that somewhat overshadows the others is still that of assessment: AI is forcing us to rethink our assessment methods and content. This change will undoubtedly take place gradually, but it will affect teaching as a whole and the way in which learners are prepared and supported for learning (Godwin-Jones, 2022).
34In this issue, three articles are presented in the Research section. Révauger and Rident investigate the potential role of GenAI in the creative writing process. Their study is based on a writing task for English language learners, which consisted in writing a poem in the style of an English-language author using GenAI. It reveals that the resulting poems are of rather unsatisfactory quality. The conversational nature of the tool appears to interfere with the creative process as it elicits a quick and emotional response from learners, their prompts suggesting difficulty and frustration in guiding the AI towards the desired outcome. This leads the authors to discuss the limitations of AI in terms of creativity and to consider the development of target learning skills in relation with AI use (literary skills, digital literacy and digital citizenship skills). In his article, Martinez explores the impact of AI on the teaching of languages and cultures, emphasising the need for reflection that spans more than pedagogical methods. Martinez suggests analysing AI from three perspectives: ideology, temporality and being-in-the-world. He stresses the importance of a contextual approach to understanding how AI will change the landscape of education and civilisation. The article highlights the ethical challenges and potential inequalities associated with the integration of AI into education systems, while calling for an open discussion on its acceptability. The conclusions are presented as lines of inquiry rather than absolute certainties. The research by Yibokou, Boulton, Kalyaniwala and Schires draws on 190 texts written collaboratively by 753 non-specialist undergraduate students of English to investigate the influence of AI on learners' writing. On the one hand, it was found that spontaneous use of AI-based tools to produce and improve their writing in English was widespread among students (over 40%), with the use of ChatGPT in particular being significantly underreported. On the other hand, English texts written with GenAI differ from others in features such as the high presence of present participles or greater lexical variety. This points to the need to further explore the use of GenAI in relation to writing in a foreign language – its frequency, the strategies it involves, its impact on language development and the resulting pedagogical needs – and to train language teachers to take these new practices into account by rethinking both the tasks and skills to target and their accompanying role.
35The articles in the Practice and Research section provide complementary analyses. Roussel and Ochoa's study examines ChatGPT's potential as a tool for text revision. To answer the question of whether AI enables learners to improve their writing, the two authors designed a feedback system using ChatGPT with 25 non-specialist undergraduate students learning German as a second language. Their analysis sheds light on the learners' use of AI, its linguistic value and its limitations in language learning. Similarly, Holmes and Hamel investigate the use of ChatGPT for interactive written corrective feedback with French as a Second Language students. Their study involved 22 participants who wrote and revised texts while interacting with the chatbot. The results show that the majority of students found the experience rewarding, although their level of engagement varied. Analysis of the discussion threads helped establish typologies based on the participants' prompts and the chatbot's output. The article concludes with recommendations for the use of ChatGPT to improve text revision in language learning.
36The articles in this issue suggest that AI may be a catalyst for innovation in language and culture teaching. The research initiated following the democratisation of its use opens up new avenues of reflection on language teaching and learning (Pokrivcakova, 2019; Warschauer & Xu, 2024), while some domain areas remain unexplored. In practice, to meet urgent needs in the field, new initiatives are emerging in many countries, both in the public and private sectors, such as online courses, like the one offered by the European Commission44, or the DALIA master's programme45 at Mohamed 1er University in Morocco, which opened in 2024.
37To put these unexplored research avenues in perspective, it is necessary to reconsider some of their constitutive elements in a new light. With regard to instructional and digital design, we may wonder how and to what extent AI influences the process of designing language material and tasks taking place prior to teaching. Can it bring about new approaches to teaching and learning? Can it contribute to the selection of content to be taught? Can it be used to create and adapt learning content targeting specific teaching and learning objectives? Can it be used to create textbooks, on paper and in digital form (texts, audio recordings, images and videos)? To what extent does it take into account the complexity of the situations in the pedagogical practices it recommends?
38With regard to the training of (future) language teachers, there are a number of aspects that should be addressed: how can teachers be (re)trained in pedagogical design through prompt writing? How can we help teachers to reflect on the content generated by AI in order to achieve a contextualised didactic transposition, which meets learners’ needs? How can the use of AI be integrated into teaching practice? How and to what extent does AI modify their didactic repertoire? How can future teachers and instructional designers be taught these new practices and this new approach to teaching?
39Another dimension concerns research methodology. How can we investigate the use of AI in language teaching and learning, as well as in language didactics? Which approaches should be used? Most of the methods adopted in this special issue are based on a hypothetico-deductive approach and describe a specific didactic phenomenon when mediated by AI, either in learning practice or in teaching practice. The situated and interactive, or even interactional, dimensions of AI would open up significant areas for reflection in language teaching and learning.
40Ultimately, research into AI in language and culture teaching relates to wider societal issues. These include the increasingly urgent imperative to adapt professionally to innovation, the social inequalities caused by limited and unequal access to technology and by the environmental crisis, and the redefinition of human labour in an increasingly automated world.
41We would like to thank the members of the scientific committee for taking part in this Alsic special issue on artificial intelligence and the teaching of languages and cultures: José Aguilar Río (Université Sorbonne Nouvelle, Fabienne Baider (Université de Cyprus), Marie Beillet (Université Paris Nanterre), Baptiste Bohet (Université Sorbonne Nouvelle), Nathalie Borgé (Université Sorbonne Nouvelle), Alex Boulton (Université de Lorraine), Jean-François Bourdet (Université du Maine), Stephan Breidbach (Humboldt Universsität zu Berlin), Peter Budd (Lucerne University of Applied Sciences and Arts), Alice Hélène Burrows (Université Sorbonne Nouvelle), Marco Cappellini (Université Lyon 1), Catherine Caws (University of Victoria), Chantal Charnet (Université Paul-Valéry Montpellier), Anne Chateau (Université de Lorraine), Christelle Combe (Aix-Marseille Université), Isabelle Cros (Aix-Marseille Université), Françoise Demaizière (Université Paris Diderot), Maud Dubois (Université de Neuchâtel), Isabelle Ferrané (Institut de recherche en informatique de Toulouse), Karen Fort (Sorbonne University), Anne-Laure Foucher (Université Clermont Auvergne), Daniel Gaonac'h (Université de Poitiers), Nicolas Guichon (Université Lyon 2), Anissa Hamza-Jamann (INSPE de Lorraine), Laura Hartwell (Université Toulouse Capitole), Xiangxi Ji (Université Sorbonne Nouvelle), Alain Kamber (Université de Neuchâtel), Jovan Kostov (Université Paul Valéry Montpellier), Natalie Kübler (Université de Paris), Mathieu Loiseau (Université Lyon 1), Grégory Miras (Université de Lorraine), Catherine Muller (Université Grenoble Alpes), Christian Ollivier (Université de la Réunion), Samia Ounoughi (Université Grenoble Alpes), Roberto Paternostro (Université de Genève), Chrysta Pélissier (Université de Montpellier), Thierry Poibeau (CNRS), Céline Poudat (Université Côte d'Azur), Ève-Marie Rollinat-Levasseur (Université Sorbonne Nouvelle), Sabrina Royer (Université d'Avignon) Simona Ruggia (Université Côte d'Azur), Pierre Salam (Université du Maine), Cédric Sarré (Sorbonne Université, INSPE de Paris), Eva Schaeffer-Lacroix (Sorbonne Université, INSPE de Paris), Valérie Spaëth (Université Sorbonne Nouvelle), Geoffrey Sockett (Université Paris Descartes), Thierry Soubrié (Université Grenoble Alpes), Claire Tardieu, (Université Sorbonne Nouvelle), Henry Tyne (Université de Perpignan), Geoffrey Williams (Université de Bretagne-Sud), Donatienne Woerly (Université Sorbonne Nouvelle), Virginie Zampa (Université Grenoble Alpes).