1Depuis quelques années, les usages de l’intelligence artificielle (IA) se propagent massivement dans la vie quotidienne des enfants, avant même l’entrée au collège. Cette présence diffuse, souvent hors de tout cadre scolaire, soulève des enjeux éducatifs inédits, en particulier autour de la délégation de tâches cognitives à la machine, de l’exposition à des contenus générés automatiquement et de la construction de croyances sur les capacités réelles de ces systèmes (IGÉSR, 2025 ; UNESCO, 2021). Les institutions alertent sur le risque de « spoliation cognitive », défini comme la tendance à confier à la machine des opérations nécessaires à la construction de ses propres processus de pensée, et sur la montée d’un anthropomorphisme (IGÉSR, 2025). Les utilisateurs réagissent spontanément aux IA comme à des interlocuteurs humains, en projetant sur elles intentionnalité, émotion et expertise, surtout lorsqu’elles adoptent un ton assuré et une forme conversationnelle.
2Pour les élèves de cycle 3, assistants vocaux, filtres génératifs, robots conversationnels ou fonctionnalités d’aide intégrées aux applications sociales constituent des usages désormais banals, mais largement opaques. Lors des premières séances de notre dispositif, plusieurs élèves déclarent « parler » avec des IA (My AI de Snapchat, ChatGPT) en pensant parfois s’adresser à « quelqu’un derrière l’écran », et décrivent l’IA comme un « cerveau qui sait tout », rassemblant le savoir de « tous les savants ». Ces représentations révèlent une conception à la fois magique et anthropomorphique de la technologie, qui rend difficile l’exercice d’un esprit critique.
3Une question devient alors centrale pour l’école primaire : comment transformer une pratique de consommation, souvent intuitive, fascinée et peu questionnée, en un objet de savoir raisonné ? Autrement dit, comment aider de jeunes élèves à comprendre ce que fait réellement une IA, ce qu’elle ne peut pas faire, et pourquoi, afin qu’ils développent une confiance calibrée plutôt qu’une adhésion ou une défiance aveugle ?
4La réponse ne peut pas se limiter à un apport théorique ou technique. Elle suppose de mettre les élèves en situation d’expérimenter eux‑mêmes des systèmes d’IA simples, d’en observer les réussites et surtout les erreurs, d’analyser les biais liés aux données d’entraînement et de débattre collectivement de ce qu’ils observent (Oudeyer, 2024 ; Romero et al., 2023). Dans cette perspective, l’intelligence artificielle devient non seulement un outil, mais un objet d’étude permettant de travailler conjointement compétences disciplinaires, éducation aux médias et à l’information, et formation du jugement.
5Nous présentons un retour d’expérience sur un dispositif mené dans trois classes de cycle 3, qui articule débats réglés, activités débranchées et entraînement de modèles via la plateforme pédagogique Vittascience. Ce dispositif vise à documenter concrètement comment l’école peut contribuer à la construction d’une littératie critique de l’IA, entendue comme la capacité à comprendre, utiliser et questionner intelligemment ces outils, en lien avec les recommandations nationales et internationales récentes (IGÉSR, 2025 ; UNESCO, 2021 ; MENESR, 2025).
6Afin de stabiliser le cadre d’analyse, il convient de définir les termes centraux mobilisés dans ce retour d’expérience.
7Le fonctionnement de l’IA, et plus spécifiquement de l’apprentissage automatique (machine learning), repose sur la constitution d’un corpus. Il est défini comme un ensemble organisé et structuré de données brutes – images, textes ou sons – numérisées et souvent étiquetées par l’humain pour servir de base d’entraînement (Oudeyer, 2024). Dans notre expérimentation, le corpus constitue la matière première à partir de laquelle les élèves peuvent observer comment la machine construit des catégories statistiques. Les corpus sont constitués d’images qui serviront de jeux donnés utilisés pour entrainer la machine à apprendre à reconnaitre des éléments spécifiques (corpus filles contre corpus garçons ; sorcières contre princesses).
8Le modèle d’IA est le résultat de l’application d’un algorithme d’apprentissage à ce corpus. Selon la terminologie officielle du Ministère de l’Enseignement Supérieur et de la Recherche (2024), le modèle est le « résultat d’un apprentissage automatique généraliste réalisé sur un grand volume de données ». D’un point de vue informatique, il s’agit d’une structure mathématique, ici un réseau de neurones artificiels, dont les paramètres internes ont été ajustés pour minimiser l’erreur. La difficulté liée au modèle est qu’il n’est pas visible, conférant à l’IA cette capacité quasi magique à reconnaitre des éléments précis ou à produire des contenus. Comprendre le fonctionnement du modèle permet aux élèves d’entrevoir que la machine ne découvre pas le monde de manière autonome, mais qu’elle traite des informations selon une architecture pré-établie par l’humain et nourrie par des données choisies (Oudeyer, 2024 ; Romero, 2025). La plateforme pédagogique Vittascience permet aux élèves de créer les corpus, d’entrainer un modèle de reconnaissance d’images à partir du jeu de données utilisé et de rendre visible le fonctionnement du modèle.
9Les usages autonomes d’outils d’IA chez les préadolescents sont documentés. Le baromètre « Born AI » issu du rapport annuel « Born social » de Heaven (paru fin septembre 2025, cité dans le magazine en ligne Siècle Digital) souligne l’explosion des usages de l’intelligence artificielle (IA) chez les jeunes de moins de 13 ans. 22 % utilisent l’IA de façon hebdomadaire ou mensuelle. Une part significative des plus jeunes utilisent des outils IA et y accèdent via les smartphones sous forme de routines numériques pour apprendre, jouer ou encore se socialiser. Cette exposition précoce, souvent non accompagnée, peut entraîner ce que le rapport de l’Inspection Générale de l’Éducation, du Sport et de la Recherche désigne comme une « spoliation cognitive », définie comme une tendance à déléguer à la machine des tâches nécessaires à la construction de processus cognitifs (IGÉSR, 2025, p.28). L’élève perçoit l’IA comme une entité experte et tend à adopter ses réponses comme fiables sans les interroger, d’autant que les interfaces actuelles se présentent sous des formes conversationnelles rassurantes (Abdelghani et al., 2023).
10Construire à l’école une littératie de l’IA – capacité à comprendre les mécanismes fondamentaux de l’intelligence artificielle, à identifier ses limites et à analyser les biais qui peuvent influencer ses décisions – devient un enjeu central selon l’Organisation des Nations unies pour l’éducation, la science et la culture. Elle invite en effet à intégrer l’IA dans les curriculums de manière critique, en prenant en compte les enjeux éthiques, sociaux et politiques (UNESCO, 2021).
11Au sens usuel, l’anthropomorphisme est « le procédé erroné et illégitime par lequel une pensée insuffisamment critique attribue à des objets situés hors du domaine humain – objets naturels ou objets divins – des prédicats empruntés à la détermination du domaine humain, à des fins explicatives ou simplement représentatives. » (Armengaud, s.d.). Les humains, et plus encore les enfants, attribuent spontanément des intentions et des émotions aux systèmes interactifs. La rhétorique critique a montré depuis longtemps que les métaphores structurent notre rapport aux technologies (Caccamo et Bonenfant, 2022). Le lexique courant – « l’IA pense », « voit », « décide » – nourrit une illusion d’intentionnalité et de rationalité pour des systèmes pourtant dénués de subjectivité. Nass et al. (1994) ont montré que les utilisateurs réagissent socialement aux ordinateurs comme s’ils étaient des interlocuteurs humains, même lorsqu’ils savent qu’ils ne le sont pas. L’anthropomorphisme relève ainsi moins d’une croyance que d’un réflexe cognitif automatique et inconscient, qu’il faut activement déconstruire par l’éducation. Chez les élèves, cette tendance est renforcée par la simplicité apparente des interfaces conversationnelles et le ton assuré employé dans les réponses, ce qui nourrit une illusion de compétence : ils croient comprendre l’outil parce qu’ils savent l’utiliser (Abdelghani et al., 2023 ; Abdelghani, 2024). De plus, l’image de super-intelligence véhiculée dans les médias peut conduire à surestimer les compétences de ces systèmes, au détriment de la curiosité, de l’esprit critique et de la métacognition, pourtant essentiels aux apprentissages (Oudeyer, 2024).
12Les biais de l’IA peuvent être définis comme des erreurs systématiques ou des distorsions dans les résultats produits par un système d’intelligence artificielle, issues des données d’entraînement, des choix de modélisation ou des contextes d’usage. Ils ne constituent pas des anomalies rares, mais la conséquence directe du mode d’apprentissage : les modèles apprennent à partir de corpus massifs contenant des erreurs, des stéréotypes ou des informations orientées, et encodent inévitablement ces schémas (Oudeyer, 2024). L’IA ne cherche pas à répondre juste, mais à produire la suite la plus probable statistiquement. Ce mécanisme probabiliste conduit à répliquer, voire à amplifier, les préjugés présents dans ses données (sur le genre, la race, les métiers), avec des conséquences potentiellement néfastes pour les populations concernées (UNESCO, 2021 ; Oudeyer, 2024). Dans ce contexte, l’apprentissage supervisé offre une entrée particulièrement pertinente pour l’école primaire. Il repose sur un principe accessible (montrer des exemples, apprendre une règle), met en évidence la responsabilité humaine dans les choix de données, et permet d’analyser les erreurs du modèle comme des effets de corpus (Oudeyer, 2024). Les élèves peuvent ainsi comprendre que la machine ne devinepas, mais compare statistiquement ce qu’elle perçoit à ce qu’elle a appris.
13La plupart des modèles d’IA contemporains fonctionnent comme des « boîtes noires », dont le fonctionnement interne reste largement opaque pour les utilisateurs (Lipton, 2018). Bellucci et al. (2025) rappellent que la connaissance y est distribuée dans des structures mathématiques difficiles à appréhender pour un humain, ce qui limite la capacité à expliquer les résultats. Pour l’éducation, comme dans d’autres domaines de la société, Richard (2018) plaide pour une approche qui rende visibles les structures internes du raisonnement machinique : données d’entrée, traitements, poids, erreurs, ajustements. On tendrait alors vers une approche de « boîte blanche » où il est possible de manipuler un algorithme sans restriction, de comprendre chacune de ses opérations, d’interagir avec lui par ses entrées et d’observer ses sorties (Le Merrer et Trédan, 2022). L’apprentissage automatique, défini par la Commission nationale de l’informatique et des libertés comme un champ visant à donner aux machines la capacité d’apprendre à partir de données via des modèles mathématiques, devient alors un objet de compréhension en soi, et non seulement un outil (CNIL, s.d.). Comprendre les biais de données, les contraintes techniques et les limites explicatives de ces systèmes est une étape essentielle pour pouvoir les critiquer et les utiliser de manière responsable (UNESCO, 2021 ; Oudeyer, 2024).
14Ces représentations initiales ne doivent pas être considérées comme de simples erreurs, mais comme de véritables obstacles épistémologiques et didactiques. Bachelard (1938) définit l’obstacle épistémologique comme une connaissance stagnante, un « déjà-là » qui fait écran à la compréhension scientifique et qu’il faut nécessairement rompre pour progresser. En didactique des mathématiques, Brousseau (1998) précise que l’obstacle n’est pas une absence de savoir, mais une connaissance qui a été efficace pour résoudre certains problèmes antérieurs (ici, l’analogie humaine pour interagir avec une interface), mais qui s’avère fausse ou inadaptée face à un nouveau concept comme le fonctionnement statistique d’un modèle. L’enjeu de notre ingénierie est donc d’organiser une rupture avec cet obstacle lié à l’anthropomorphisme et aux biais. Les situations de déstabilisation rencontrées dans cette expérience, où l’erreur de l’IA ne peut plus être expliquée par des intentions humaines, forcent alors l’élève à reconstruire son système d’explication autour de la matérialité de la donnée et du calcul probabiliste.
15Face à ces enjeux, l’éducation à l’esprit critique ne saurait se réduire à une incitation au doute généralisé, mais doit viser l’acquisition d’une « confiance calibrée » (CSEN, 2025). Le Conseil scientifique de l’Éducation nationale souligne que cette compétence implique de savoir évaluer, contextualiser et hiérarchiser l’information pour prendre des décisions éclairées, plutôt que de rejeter ou d’accepter aveuglément les résultats des outils. Il s’agit moins de décourager l’usage de l’IA que de développer une posture réflexive : comprendre comment l’outil fonctionne, quels sont ses biais, à quelles fins il est utilisé, et dans quelles conditions il est légitime de lui faire confiance (MENESR, 2025).
16Pour opérationnaliser cette éducation critique, nous nous appuyons sur le modèle #PPAI6 développé par Margarida Romero (2025). Ce modèle décrit six niveaux d’engagement avec l’IA en éducation, allant de la consommation passive à un apprentissage expansif co-construit avec la machine. La consommation passive correspond à l’usage d’outils sans compréhension de leur fonctionnement (par exemple, utiliser un filtre ou un chatbot pour se divertir). Les niveaux suivants engagent progressivement l’élève dans des activités de consommation interactive, de création de contenu avec l’IA, de cocréation, de participation à la production de connaissances, et enfin d’apprentissage expansif où l’IA est mobilisée pour modéliser des systèmes, discuter des contradictions et transformer des pratiques (Romero, 2024). L’enjeu didactique est de guider les élèves hors de la consommation passive, utile mais insuffisante, vers des usages où l’IA soutient des transformations profondes dans les manières de penser. Dans cette perspective, l’IA devient un levier d’émancipation et un outil de réflexion, plutôt qu’un substitut cognitif (Romero, 2025). Le modèle #PPAI6 fonctionne ainsi comme un outil analytique permettant de mesurer le degré d’agentivité de l’élève face à la machine selon ces six niveaux d’engagement croissants.
17Ce cadre théorique s’inscrit également dans une approche praxéologique visant à fournir aux enseignants et aux chercheurs des repères pour transformer les pratiques pédagogiques en passant d’une logique de substitution, où l’IA remplace une tâche humaine, à une logique d’apprentissage expansif.
18L’enjeu didactique de ce modèle est de montrer que l’IA ne doit pas être une fin en soi, mais un support pour développer des compétences transversales comme la pensée créative et la résolution de problèmes, en plaçant l’humain en position de pilote et de superviseur du système statistique.
19Au-delà de la compréhension technique, ce continuum met en jeu des formes spécifiques de créativité en éducation. Lorsque les élèves passent de la simple consommation de contenus générés par l’IA à la cocréation et à l’apprentissage expansif, ils sont amenés à explorer, reformuler et transformer des situations-problèmes plutôt qu’à se satisfaire de réponses toutes faites. Ils développent ainsi des compétences de créativité située, ancrée dans des tâches scolaires authentiques (concevoir un corpus, imaginer des images pièges, formuler des requêtes plus précises), qui relèvent à la fois de la créativité individuelle et de la créativité collaborative au sein du groupe classe. Dans cette perspective, l’IA n’est pas seulement un objet de vigilance critique, mais aussi un déclencheur de pensée divergente et d’invention de nouvelles manières d’apprendre.
20Comme l’expliquent Lubart et ses collègues, « la notion de processus créatif renvoie à la succession de pensées et d’actions qui débouche sur des créations originales et adaptées » (2015, p. 111). La créativité est donc une série d’étapes de réflexion.
21Aujourd’hui, ce processus est profondément transformé par les outils numériques. Selon Daunay et Fluckiger (2018), l’outil, dont l’IA comme objet d’étude, n’est jamais neutre : il modifie la manière dont l’élève ou le créateur conçoit sa tâche. Cela signifie que l’IA ne se contente pas d’aider à faire le travail plus vite ; elle change la façon même de réfléchir et de s’organiser.
22Dans notre dispositif, cette créativité se manifeste concrètement lors de la conception de corpus : les élèves inventent des dessins de sorcières/princesses ou filles/garçons, en explorant des traits discriminants (couleurs, accessoires) pour piéger le modèle, comme un garçon en rose ou un triangle étiqueté « carré ». Ces actions révèlent une créativité critique : non pas gratuite, mais au service de l’enquête, où l’erreur machinique devient opportunité d’hypothèses et d’ajustements collaboratifs, notamment la diversification des données pour corriger les biais.
23Ce processus s’articule avec les niveaux d’engagement décrits par Romero (2025) dans le modèle #PPAI6. En effet, selon que l’élève se situe dans une posture de « création de contenu » (niveau 3) ou de « co-création participative » (niveau 4), la nature des pensées et actions mobilisées évolue radicalement. Ainsi, l’IA enclenche une créativité située, ancrée dans des tâches authentiques, favorisant une pensée divergente au croisement de la critique et de l’invention. L’IA devient un partenaire qui transforme la succession de pensées et d’actions nécessaire à la création.
24Le dispositif a impliqué un total de 72 élèves, âgés de 9 à 11 ans, répartis dans trois classes de CM1-CM2. Le quartier, classé en zone prioritaire de la politique de la ville, présente une grande mixité socioculturelle où l’accès aux outils numériques domestiques est très hétérogène, allant de l’absence d’équipement à une autonomie totale sur smartphone. Les enseignants participants volontaires, se déclarent initialement « peu experts », avec des connaissances basiques ou « pas expert du tout » en IA, avec une méconnaissance totale de ce qu’est l’IA et des usages possibles.
25Cette recherche adopte une approche qualitative par étude de cas multiples (Yin, 2018), conduite au sein de ces trois classes. Elle s’inscrit dans une recherche-action visant l’articulation entre production de connaissances et transformation des pratiques, structurée par une démarche d’ingénierie didactique (Artigue, 1989, 2011). Cette méthodologie se définit par des réalisations en classe – conception, observation et analyse de séquences d’enseignement – dont la validité repose sur une confrontation interne entre une analyse a priori des situations et une analyse a posteriori des processus effectifs (Artigue, 1989, p. 286).
26L’ancrage épistémologique se situe à la confluence des sciences de l’éducation et de la didactique de l’informatique. Nous opérons une rupture avec l’approche historique des technologies éducatives, qui réduisait l’IA à un auxiliaire pédagogique (tuteurs intelligents), pour constituer l’IA en tant qu’objet de savoir disciplinaire. Nous postulons que la maîtrise des concepts informatiques fondamentaux (algorithme, données, modèle) constitue le socle indispensable d’une littératie critique. Cette approche s’inscrit dans la perspective de la didactique de l’informatique, qui examine les conditions de transformation des savoirs informatiques en objets d’enseignement adaptés au contexte scolaire, tout en veillant à préserver leur cohérence conceptuelle et leur portée scientifique (Fluckiger, 2019). En plaçant les élèves en posture de concepteurs de corpus et de superviseurs de modèles, nous visons la construction de schèmes de pensée permettant d’appréhender la dimension socio-technique de l’IA au-delà de sa seule dimension instrumentale (Romero et al., 2023).
27Le dispositif est librement inspiré de séquences mises en œuvre dans l’académie de Nantes (Gilbert Bouisset, 2025). Le protocole s’est déroulé sur cinq séances dans chacune des trois classes. Les élèves présentaient des niveaux variés d’exposition autonome aux écrans : pour une partie, l’usage était encadré dans le temps et dans les contenus autorisés ; pour d’autres, l’accès aux dispositifs numériques était plus libre. Peu d’entre eux n’avaient jamais entendu parler d’IA ou n’en savaient rien.
28Le dispositif alternait des temps d’échanges oraux, des activités débranchées centrées sur la classification et la mise en évidence de critères explicites, ainsi que l’entraînement d’un modèle d’IA via la plateforme éducative Vittascience, à partir de données produites par les élèves (dessins, formes géométriques).
29Lors des séances, l’organisation spatiale de la classe a été modifiée mais correspondait à des habitudes de travail. Les discussions s’organisant sous forme de cercle de façon à favoriser les interactions et l’écoute ; les élèves étaient regroupés par îlots de quatre pour favoriser les interactions horizontales lors des phases de tri et de dessin. L’enseignant adoptait une posture d’observateur, avec prise de notes sur les échanges oraux. Nous pratiquions ainsi du co-enseignement, ma posture étant celle de médiateur-chercheur : ne pas donner pas les réponses, mais relancer systématiquement les élèves par des questions de type « À votre avis, pourquoi l’IA exprime ce pourcentage ? » ou « Que se passe-t-il si on change ce détail ? ».
30Les temps d’échanges oraux ont pris la forme de débats réglés, que nous définissons, à la suite de Tozzi (2020). Contrairement à un échange informel, le débat réglé et argumenté suppose une éthique discussionnelle où l’autre est un partenaire de pensée imposant écoute et respect de la parole. Didactiquement, nous avons distingué deux types de discussions, selon la typologie de Tozzi :
-
des discussions de « débroussaillage » en début de séquence, destinées à faire émerger les représentations initiales et les conceptions magiques de l’IA ;
-
des discussions « informées » en fin de module, mobilisant les connaissances acquises lors des phases d’entraînement de modèles pour stabiliser les savoirs et développer le jugement critique.
31Les activités débranchées, réalisées sans outil numérique, visaient quant à elles à introduire le concept de classification algorithmique. En manipulant des objets physiques (images d’animaux), les élèves ont dû expliciter et formaliser des critères de tri discriminants (présence de plumes, nombre de pattes, milieu de vie,…). L’objectif pédagogique était de leur faire prendre conscience que toute classification, humaine ou machinique, repose sur une réduction de l’objet à des caractéristiques prédéfinies et sur des choix logiques qui déterminent le résultat final. Cette étape est cruciale pour préparer les élèves à comprendre, par analogie, comment un modèle d’IA traite des données numérisées à partir de traits distinctifs.
32Des séances étaient dédiées à l’entraînement d’un modèle d’IA sur la plateforme éducative Vittascience. Il s’agit d’un dispositif en ligne, conforme au règlement général de protection des données (RGPD), qui permet de générer du texte et des images, d’entraîner et d’expérimenter des modèles d’IA mais aussi de visualiser les zones d’interactions qui permettent à l’IA de prendre sa décision. Elle rend possible l’exploration de la structure du réseau de neurones. Cet outil nous a permis de manipuler des modèles de vision par ordinateur simples, d’observer les résultats et d’accéder à des visualisations (zones d’influence, « boîte noire »). L’enseignant pilotait l’outil, les élèves participaient à toutes les étapes de conception du corpus, d’entraînement et de test. Les phases sur Vittascience étaient projetées au tableau pour permettre une observation collective des réactions du modèle en temps réel.
33Les cinq modules du dispositif sont résumés dans le tableau ci-dessous.
Figure 1. Tableau du protocole réalisé en classe
34Le choix de proposer des tâches ouvertes, par exemple inventer des catégories de tri, imaginer des dessins de « sorcières » ou de « princesses », construire des images pièges, visait explicitement à solliciter la créativité des élèves. Il ne s’agissait pas seulement de vérifier des connaissances sur l’IA, mais de créer un cadre dans lequel les élèves puissent explorer plusieurs solutions possibles, formuler des hypothèses, et concevoir collectivement des scénarios de test inédits pour mettre l’algorithme à l’épreuve. Cette dimension créative fait partie intégrante de la démarche d’enquête et constitue un levier important de motivation et d’appropriation du dispositif.
35La construction du dispositif répond directement aux tensions identifiées dans le cadre théorique.
36De l’urgence des usages à l’encadrement précoce : intervenir dès le cycle 3 permet de transformer des usages domestiques invisibles en objet d’étude partagé en classe (IGÉSR, 2025 ; MENESR, 2025).
37De la spoliation cognitive à l’apprentissage expansif : en devenant producteurs de données et superviseurs de la machine, les élèves passent d’une posture de consommation à une posture de création et de contrôle, en cohérence avec les niveaux intermédiaires du modèle #PPAI6 (Romero et Heiser, 2023 ; Romero, 2025).
38De la vigilance abstraite à l’expérience du biais : l’éducation à l’esprit critique se matérialise dans l’expérience vécue des biais de classification et des stéréotypes, plutôt que dans un simple discours normatif (UNESCO, 2021).
Figure 2. Application du modèle #PPAI6 au protocole de classe
39Les premiers échanges, consignés lors des débats de la séance 1, confirment qu’une majorité d’élèves possède une culture d’usage de l’IA déjà bien ancrée, mais essentiellement ancrée dans le divertissement et l’assistance. Sur les 18 élèves présents d’une des classes, 12 déclarent avoir déjà utilisé une IA. Ils citent spontanément une grande variété d’outils : ChatGPT, Snapchat (My AI), Siri, Alexa, Discord, Google IA, Gemini ou encore Viggle AI pour la création de vidéos. Les élèves soulignent que l’IA répond vite, elle répond à toutes leurs questions quand ils effectuent des recherches. Pour beaucoup, l’IA est perçue comme une « intelligence qui n’est pas humaine » mais qui, selon une élève, « réunit plus que ce que savent les humains » car elle rassemblerait le savoir de « plusieurs scientifiques ».
40Elle est assimilée à un « robot » capable d’être un « confident », pour « écrire ses problèmes quand on s’ennuie », ou un interlocuteur capable de valider des choix personnels.
41Cependant, cette familiarité masque une compréhension fragile, largement teintée d’anthropomorphisme et de magie technologique : l’IA est évoquée comme un « cerveau qui sait tout » ou une entité quasi humaine, ou encore comme « quelque chose à qui on a donné tous les savoirs de tous les savants », selon les élèves lors des débats initiaux.
42Néanmoins, malgré l’aspect magique, des signaux de vigilance apparaissent : un élève en particulier évoque spontanément les « fake news », les « fausses réponses », le « risque d’espionnage » ou la rumeur selon laquelle l’IA « écoute » ou « enregistre les recherches ».
43Le dispositif a progressivement confronté les représentations initiales des élèves à la réalité du fonctionnement statistique de l’intelligence artificielle, à travers les erreurs de classification et les discussions qui s’ensuivent. Cette dynamique est venue ainsi déconstruire l’illusion d’une intelligence omnisciente au profit d’une compréhension mécaniste du système.
44Dans les modules « sorcières et princesses », le travail de tri manuel a d’abord mis au jour les critères utilisés par les élèves : couleurs (sombres/vives), présence de chapeaux, robes, accessoires. Lors de l’entraînement, le modèle a souvent mal classé des princesses vêtues de violet ou de vert, révélant un biais de corrélation : la présence répétée de ces couleurs dans les dessins de sorcières a conduit la machine à les associer à cette catégorie.
45Le cas de la princesse Jasmine, classée comme « sorcière » par l’IA parce qu’elle ne porte pas de grande robe claire et à la peau plus sombre, a suscité une réaction forte : un élève s’est étonné que « l’IA peut être raciste ». Cette observation a ouvert une discussion sur la sous-représentation de princesses non blanches dans le corpus et sur les liens entre données biaisées et discriminations (UNESCO, 2021). Ce biais est réapparu lorsque les élèves ont exploré la fonctionnalité de génération d’images de Vittascience. Lors d’une première requête vague (« une princesse »), l’outil a produit l’image d’une princesse blonde et couronnée, révélant une représentation par défaut fortement marquée par des standards européens. Face à ce résultat, les élèves ont compris la nécessité de formuler des demandes plus précises. En sollicitant successivement « une princesse à la peau noire » puis « une princesse arabe » (comme Jasmine) ils ont obtenu des images plus diversifiées. Ils en ont déduit que le modèle avait été entraîné majoritairement à partir d’images de princesses européennes, ce qui explique la première réponse générée sans indication spécifique.
Figure 3. Images de princesses générées par Vittascience (module 4a)
46Les élèves ont eux‑mêmes proposé de diversifier le jeu de données pour améliorer le modèle, ce qui marque un premier pas vers une littératie du biais et une prise de conscience de la responsabilité humaine dans la constitution des corpus.
47Avec les dessins de « filles » et « garçons », l’utilisation des visualisations (zones d’influence, carte de chaleur) a permis de mettre en évidence les éléments que le modèle mobilisait pour classer (longueur des cheveux, vêtements, etc.).
48Un dessin de garçon aux cheveux longs a été classé comme « fille » par l’IA, révélant un biais statistique simple (cheveux longs = fille dans le corpus). Inversement, un dessin de fille aux cheveux courts a été majoritairement perçu comme un garçon par les élèves, alors que l’IA l’a correctement classée, en s’appuyant sur d’autres traits visuels. Ce double mouvement a permis d’expliciter que l’erreur n’est pas un dysfonctionnement, mais un indicateur de ce que l’IA, ou l’humain, a appris à considérer comme pertinent.
Figure 4. Vittascience - Entrainer un modèle, avec zone d’influence visible (module 4b)
49Après ces premières observations, un changement de posture a été observé : les élèves ont commencé à proposer despièges pour tester le modèle.
50Ils ont par exemple dessiné un garçon habillé en rose pour voir si la couleur influencerait la classification.
J’ai volontairement dessiné un garçon avec un pull rose, pour voir.
51L’IA l’a néanmoins correctement identifié comme garçon, ce qui a été expliqué par la présence de garçons habillés de rouge clair dans le corpus d’entraînement.
52Dans un autre exemple, les élèves ont écrit le mot « carré » sur un dessin de triangle pour vérifier si l’IA serait trompée par l’étiquette textuelle.
Mais si j’écris le mot CARRÉ sur mon triangle, elle va savoir que c’est un carré !
53Le modèle a néanmoins reconnu un triangle, ce qui a permis de rappeler que l’IA avait été entraînée sur des formes et non sur des mots. Les élèves ont alors formulé que « l’IA se base sur ce qu’elle connaît », c’est-à-dire les données sur lesquelles elle a été entraînée.
54L’analyse des résultats permet de dépasser le simple constat d’échec ou de réussite pour identifier l’émergence de trois formes d’obstacles didactiques. Nous définissons ici l’obstacle, au sens de Brousseau (1998), comme une connaissance « déjà-là », efficace dans le quotidien, ici l’analogie humaine, mais qui fait écran à la compréhension de la logique statistique de la machine.
55Un autre enseignement fort concerne la matérialité des données. De nombreux dessins réalisés au crayon gris, peu contrastés ou trop petits n’étaient pas reconnus par le modèle. Cet échec technique s’est révélé pédagogiquement fécond : les élèves ont compris que l’IA ne « voit » pas comme un humain, mais analyse des contrastes et des pixels. L’enseignant les a amenés à soigner la donnée (colorier, épaissir les traits, agrandir les formes), ce qui a amélioré les performances du modèle. Cet épisode participe du désanthropomorphise de l’IA. La prise en compte de la qualité des données a permis d’ancrer concrètement le principe selon lequel la fiabilité d’un système d’IA dépend directement de la qualité de son corpus – une version scolaire du principe « garbage in, garbage out » (Oudeyer, 2024). De la même façon, si les données sont fausses, de manière intentionnelle ou non, les données de sortie peuvent être biaisées et renforcer ce que les élèves identifient lors des débats comme des « fake news », des informations trompeuses, véhiculées par l’IA. Ils prennent conscience que la génération d’images par IA peut les tromper.
56Les stratégies d’investigation des élèves, notamment lorsqu’ils tentent de tromper la machine (en écrivant « carré » sur un triangle ou utiliser des couleurs inversées), révèlent un obstacle lié à la projection d’intentionnalité. Les élèves testent si l’IA peut « mentir ». La résistance du modèle, qui persiste à classer selon les traits visuels appris, démontre aux élèves que l’IA n’est pas un interlocuteur conscient mais un système probabiliste rigide, ancré dans son corpus d’entraînement.
57Enfin, la réaction forte face à la princesse Jasmine classée comme sorcière (« l’IA est raciste ! ») illustre la puissance de l’obstacle anthropomorphique. L’élève attribue une posture morale, le racisme, à ce qui n’est qu’une défaillance statistique issue de la sous-représentation de certaines données dans le corpus. Le franchissement de cet obstacle s’opère lorsque les élèves proposent de diversifier le jeu de données : ils passent alors d’une posture de juge moral à une posture de superviseur technique, conscient de la responsabilité humaine dans la fabrique du biais.
58Les débats de clôture et les évolutions observées invitent à définir la littératie de l’IA comme une littératie numérique étendue. En s’inscrivant dans les débats contemporains sur la littératie, nous l’appréhendons comme une pratique sociale qui dépasse l’usage fonctionnel pour englober la compréhension des enjeux de pouvoir liés aux données. Selon Daunay et Fluckiger (2018), l’outil devient un instrument où le sujet s’approprie l’objet technique pour en faire un médiateur de son action sur le monde. L’école ayant pour rôle de transformer les usages familiers du numérique en objets de réflexion.
59L’évolution du vocabulaire des élèves (données, entraînement, biais) et leur capacité à déconstruire l’anthropomorphisme témoignent du passage d’une littératie de consommation à une littératie critique et créative. Cette dernière ne se limite pas à savoir comment ça marche, mais consiste à savoir ce que cela peut faire à la société. La métaphore synthétique formulée par les élèves – l’IA comme un « enfant qu’on nourrit » – montre une compréhension de la co-dépendance entre l’humain et la machine.
60Ainsi, la littératie de l’IA construite dans ce dispositif s’éloigne des définitions institutionnelles centrées sur l’employabilité pour se rapprocher d’une littératie citoyenne. Elle s’exerce de manière collective, par le débat et la confrontation des points de vue, permettant aux élèves de ne plus subir l’illusion de l’omniscience technique, mais d’agir en tant qu’acteurs informés d’une culture numérique partagée.
61Les résultats confirment que l’expérience directe de l’apprentissage supervisé constitue un levier puissant pour transformer les représentations. En manipulant les données et en observant les erreurs, les élèves deviennent superviseurs plutôt que simples usagers, ce qui les fait progresser sur le continuum décrit par le modèle #PPAI6 (Romero, 2025). Cette agentivité accrue se traduit par deux mouvements : une démystification de l’IA, perçue comme outil dépendant de données et de paramètres, et une prise de responsabilité dans les choix de conception (constitution de corpus, tests, corrections).
62Lors des débats, la définition du terme « artificiel », comme étant « une création de l’homme, pas naturelle », montre un premier levier didactique : pour certains élèves, c’est « l’homme qui donne les informations nécessaires à l’IA ». Cette intuition de la dépendance aux données humaines, bien que minoritaire au départ, a servi de point d’appui pour introduire la matérialité des algorithmes et la notion de biais lors des modules suivants.
63Un résultat saillant est que les erreurs du modèle ont été plus instructives que ses succès. Voir la princesse Jasmine classée comme sorcière, ou un garçon aux cheveux longs classé comme fille, a agi comme un déclencheur de réflexion. Ces incidents ont joué un rôle de catalyseur métacognitif : les élèves ont été amenés à questionner pourquoi la machine s’était trompée, ce que révélait cette erreur sur les données utilisées, et comment y remédier. Cette dynamique rejoint les travaux qui soulignent l’importance de l’erreur comme ressource pour l’apprentissage (Abdelghani, 2024). Les observations et les verbatims montrent l’émergence d’une confiance ni naïve ni défiante, mais calibrée. Les élèves affirment que l’IA « peut être utile », mais « peut se tromper » et qu’il faut « vérifier » et « regarder les données ». Cette posture est en phase avec les préconisations du CSEN (2025) sur l’esprit critique, notamment en éducation aux médias et à l’information (EMI), et avec les recommandations nationales sur les usages de l’IA en éducation (MENESR, 2025).
64Les débats finaux ont mis en lumière un désanthropomorphise généralisé. Des élèves affirment que l’IA ne peut être un ami que si on se sent vraiment seul. En revanche, contrairement à un ami réel, ils remarquent qu’« on ne peut pas jouer avec à l’extérieur », « qu’elle n’est que dans les écrans » questionnant son rôle social et sa pertinence attribués dans les débats initiaux (« je lui raconte des choses », « je parle avec des fausses stars », « je l’utilise pour faire des recherches ou pour mes devoirs », « je lui demande de me raconter des blagues »,…).
65Les résultats obtenus invitent à considérer la créativité comme un enjeu à part entière de l’éducation à l’IA. En devenant capables de concevoir eux-mêmes des corpus d’entraînement, d’inventer des cas limites, de formuler des requêtes plus précises pour obtenir des images plus diversifiées, les élèves exercent des compétences créatives qui vont au-delà de la simple production esthétique. Ils apprennent à jouer avec les règles implicites du système, à imaginer d’autres possibles et à interroger les évidences, ce qui correspond à une forme de créativité critique fortement liée au développement de l’esprit critique. Dans le cadre scolaire, l’IA peut ainsi être envisagée comme un objet-frontière entre expérimentation technique et exploration créative. Elle offre un terrain pour articuler imagination, investigation et argumentation.
66Au-delà des compétences techniques, cette expérience contribue à une littératie de l’IA entendue comme compétence citoyenne : identifier les mécanismes, analyser les limites, questionner les choix éthiques et agir de manière informée (UNESCO, 2021 ; MENESR, 2025). En formant des élèves capables de réfléchir à la manière dont les systèmes sont entraînés, aux stéréotypes qu’ils véhiculent et aux contextes où il est pertinent de s’y fier, l’école participe à la préparation de citoyens capables de co-construire un avenir technologique plus juste.
67Plusieurs conditions ont soutenu la réussite du dispositif : l’accessibilité technologique de Vittascience (interface simple et transparente, à visée pédagogique), la place centrale donnée au débat réglé pour verbaliser et mettre à distance, et l’ancrage sur des tâches concrètes proches des expériences des élèves (dessins, personnages connus).
68Parmi les limites identifiées, on peut mentionner : la concentration de l’étude sur un contexte urbain et sur des élèves relativement familiarisés avec les écrans ; l’absence de suivi à long terme pour évaluer la durabilité des apprentissages ; et la nécessité d’explorer plus finement les différences de réception selon le genre ou le rapport au numérique.
69Une limite structurelle majeure à la transférabilité du dispositif réside dans l’hétérogénéité de la formation des enseignants. Si l’expérience a réussi ici avec des professeurs volontaires, leur sentiment initial de non-expertise souligne l’urgence d’un accompagnement institutionnel structuré. Comme le souligne l’UNESCO (2021), l’intégration de l’IA dans les curriculums doit impérativement s’accompagner d’une formation aux enjeux éthiques et sociaux, faute de quoi l’outil reste une « boîte noire » pour l’enseignant lui-même. Le rapport de l’IGÉSR (2025) alerte d’ailleurs sur le risque de voir les enseignants cantonnés à des usages instrumentaux si une formation didactique approfondie n’est pas mise en place pour prévenir la spoliation cognitive des élèves. Le Ministère encourage à « donner aux élèves les clés pour comprendre cette technologie, en appréhender, les opportunités comme les limites, développer un esprit critique à son égard » (p. 4). Cela passe dès l’école primaire par la médiation du débat en classe et par la compréhension de la provenance des données.
70Cette maîtrise didactique par les enseignants est le garant nécessaire pour transformer l’IA en un support d’exploration et d’invention. Sans cet accompagnement, l’outil risque de se limiter à une fonction de spoliation cognitive ; avec lui, il devient un catalyseur de créativité critique, en accord avec les ambitions citoyennes portées par le MENESR, pour qu’elle devienne un levier d’émancipation et de créativité dans un accompagnement des élèves pour « comprendre et maîtriser [l’IA] en tant qu’utilisateurs et futurs citoyens » (p. 5).
71Cette recherche montre qu’il est possible, dès le cycle 3, de transformer une relation de consommation passive et anthropomorphique à l’IA en une compréhension critique, raisonnée et citoyenne. Loin de stigmatiser la technologie, le dispositif proposé s’appuie sur l’expérience concrète, l’analyse des erreurs et le débat argumenté pour construire une littératie de l’IA.
72Trois leviers principaux ressortent :
-
l’expérience directe de l’apprentissage supervisé ;
-
l’analyse empirique des biais et des erreurs de classification ;
-
la mise en mots des apprentissages dans un cadre de débat réglé.
73Sur le plan théorique, ce retour d’expérience propose un premier jalon pour une didactique de l’IA centrée sur la gestion des obstacles. Nous suggérons que l’enseignement de l’IA à l’école primaire ne doit pas viser une accumulation de connaissances techniques, mais une série de ruptures avec l’illusion intentionnaliste. L’ingénierie didactique devient alors un outil pour concevoir des situations de crises conceptuelles où l’erreur de la machine sert de révélateur à sa nature statistique, permettant ainsi le franchissement des obstacles anthropomorphiques.
74Ces leviers peuvent inspirer d’autres dispositifs, à condition d’être accompagnés d’une formation des enseignants et d’une réflexion institutionnelle sur la place de l’IA dans les curriculums (IGÉSR, 2025 ; MENESR, 2025). Ils invitent à considérer l’IA non comme un outil purement instrumental, mais comme un objet de savoir et de débat au cœur de la formation des citoyens de demain. En ce sens, le dispositif montre que l’éducation critique à l’IA n’est pas seulement une affaire de régulation des usages, mais aussi une opportunité de nourrir la créativité des élèves, en les plaçant en position d’enquêteurs, de concepteurs de données et de scénaristes de situations destinées à révéler les forces et les limites des systèmes qu’ils utilisent.
Flux RSS
