Un outil numérique ne fait pas apprendre par lui-même : ce qui compte, c'est l'activité qu'il fait faire. Une vidéo de cours mise en ligne reste un cours magistral : le support a changé, pas l'activité. Un forum où chaque étudiant doit expliquer sa démarche à un autre, lui, change ce que fait l'apprenant. C'est avec cette grille que la recherche en sciences de l'éducation évalue l'e-learning, les serious games et l'intelligence artificielle (IA).
E-learning et formation hybride
L'e-learning, c'est la formation en ligne. Elle est synchrone quand tout le monde est connecté au même moment, comme en classe virtuelle, et asynchrone quand chacun avance à son rythme, avec des vidéos ou un forum. Le tout passe en général par une plateforme d'apprentissage, ou LMS (Learning Management System), comme Moodle.
Définition : une formation hybride (blended learning) combine séances en présence et activités à distance, conçues ensemble. La classe inversée en est un cas : cours découvert en ligne, exercices en salle avec l'enseignant.
Pour juger leur efficacité, on s'appuie sur des méta-analyses, qui combinent statistiquement les résultats de nombreuses expériences. Celle du ministère américain de l'Éducation, dans sa version révisée de 2010, réunit 50 comparaisons entre enseignement en ligne et présentiel, tirées d'études parues de 1996 à 2008, surtout auprès d'étudiants et d'adultes.
Formule : la taille d'effet $d$ exprime l'écart entre le groupe testé et le groupe témoin (le groupe de comparaison) en écarts types, l'écart type mesurant la dispersion des résultats :
$$d = \frac{\text{moyenne du groupe testé} - \text{moyenne du groupe témoin}}{\text{écart type}}$$
Repères : $0{,}2$ petit effet, $0{,}5$ moyen, $0{,}8$ grand.
Entièrement en ligne, les étudiants apprennent autant qu'en présentiel ($d = 0{,}05$, écart non significatif, c'est-à-dire trop faible pour exclure le hasard). En hybride, ils font mieux ($d = 0{,}35$). Mais les groupes hybrides avaient souvent plus de temps, de ressources ou d'échanges : pour les auteurs, cet avantage ne doit pas être attribué au support lui-même.
Comparés au présentiel, les dispositifs en ligne ou hybrides font mieux quand l'activité en ligne est collaborative ($d = 0{,}25$) ou guidée par l'enseignant ($d = 0{,}39$), pas quand l'étudiant y travaille seul ($d = 0{,}05$, non significatif). Or travailler seul en ligne suppose un équipement et des compétences que tous n'ont pas : c'est la fracture numérique.
Piège classique : conclure « le groupe hybride a mieux réussi, donc le numérique est plus efficace ». S'il a aussi eu plus de temps, deux choses ont changé à la fois, et tu ne sais pas laquelle a joué. Dans le rapport de 2010, l'effet tombe à $0{,}13$ quand contenu et pédagogie sont identiques ou presque d'un groupe à l'autre, contre $0{,}40$ sinon.
Serious games et ludification
Un serious game (jeu sérieux) est un jeu conçu pour apprendre : le contenu à maîtriser est dans ses règles mêmes, et chaque action reçoit un retour. La ludification (gamification), elle, ajoute des points ou un classement à une activité qui n'est pas un jeu. Des exercices de conjugaison qui rapportent des badges : ludification. Un jeu de gestion où l'on fait faillite si l'on lit mal un bilan : serious game.
Une méta-analyse de Pieter Wouters et de ses collègues, publiée en 2013, met face à face serious games et enseignement classique dans 77 comparaisons portant sur l'apprentissage et 31 sur la motivation. Les jeux font mieux pour apprendre ($d = 0{,}29$) et pour retenir dans la durée ($d = 0{,}36$), mais ils ne se sont pas montrés plus motivants. Le gain est plus fort quand le jeu est complété par d'autres méthodes d'enseignement, réparti sur plusieurs séances et joué en groupe.
Piège classique : écrire qu'un serious game marche « parce qu'il motive ». La méta-analyse de 2013 ne trouve pas plus de motivation qu'en cours classique, alors que l'apprentissage, lui, est meilleur. Appuie ton argument sur ce que le jeu fait faire et sur ce que l'enseignant organise autour.
IA et apprentissage adaptatif
L'apprentissage adaptatif (adaptive learning) désigne un logiciel qui analyse tes réponses pour choisir l'activité suivante : tu rates trois exercices sur les fractions, il te propose un rappel de cours et des exercices plus guidés. Les learning analytics (analyse des traces d'apprentissage) exploitent connexions et résultats pour repérer, par exemple, un étudiant qui décroche.
La grille du début s'applique : un tel logiciel vaut ce que valent ses exercices et ses retours. L'IA générative, qui produit du texte à la demande, pose une autre question : un devoir fait à la maison ne montre plus à lui seul ce que l'étudiant sait faire.
Le règlement européen sur l'IA
Le règlement (UE) 2024/1689, dit règlement sur l'IA, classe les usages selon leur risque. Son annexe III range quatre usages éducatifs parmi les systèmes à haut risque, sauf exceptions prévues à son article 6, et son article 5 en interdit un autre.
| Système d'IA utilisé pour | Statut |
|---|---|
| décider de l'accès, de l'admission ou de l'affectation dans un établissement | haut risque |
| évaluer les acquis, y compris pour orienter le parcours d'apprentissage | haut risque |
| évaluer le niveau d'enseignement qu'une personne recevra ou pourra atteindre | haut risque |
| surveiller et détecter les comportements interdits pendant un examen | haut risque |
| déduire les émotions d'une personne dans un établissement d'enseignement | interdit, sauf raison médicale ou de sécurité |
Piège classique : haut risque ne veut pas dire interdit. Ces systèmes restent autorisés, mais soumis aux obligations du texte, qui s'appliquent à ces usages à partir du 2 décembre 2027 d'après sa version consolidée au 27 juillet 2026. L'interdiction de déduire les émotions s'applique, elle, depuis le 2 février 2025.
Ce règlement n'a pas d'incidence sur le RGPD, qui protège les données personnelles : les deux s'appliquent ensemble, et les traces d'apprentissage d'un étudiant identifiable sont des données personnelles.
Exercices corrigés
Cherche chacun sur ta feuille avant d'ouvrir sa correction.
Exercice 1 : Pour chaque dispositif, dis s'il est synchrone ou asynchrone, et s'il est hybride.
a) Un TD en visioconférence chaque mardi à 10 h, sans séance en salle.
b) Des vidéos de cours à regarder avant chaque TD en salle.
c) Un cours entièrement en ligne, avec vidéos et quiz à faire quand on veut.
Correction :
a) Synchrone, puisque tout le monde est connecté au même moment, mais pas hybride : tout se passe à distance. À distance ne veut pas dire asynchrone.
b) Hybride : une partie asynchrone en ligne, les vidéos, et une partie en présence. C'est une classe inversée.
c) Asynchrone et entièrement à distance, donc pas hybride.
Exercice 2 : Données fictives. Deux groupes de première année de licence passent le même examen, noté sur 20. Le groupe en présentiel a 11 de moyenne, le groupe hybride 12,4, avec un écart type commun de 4 points.
a) Calcule la taille d'effet $d$ et situe-la.
b) Le groupe hybride avait en plus deux heures d'exercices en ligne par semaine. Peux-tu dire que le numérique explique l'écart ?
Correction :
a) $d = \dfrac{12{,}4 - 11}{4} = \dfrac{1{,}4}{4} = 0{,}35$. L'écart vaut $0{,}35$ écart type (une taille d'effet n'a pas d'unité) : un effet entre petit et moyen.
b) Non. Deux choses changent entre les groupes, le support et le temps de travail, et l'écart peut venir des deux heures en plus. Pour conclure, il faudrait deux groupes avec le même contenu et le même temps, qui ne diffèrent que par le support. C'est la réserve du rapport américain de 2010.
Exercice 3 : Une université envisage trois outils d'IA. Classe chacun selon le règlement (UE) 2024/1689.
a) Une plateforme qui évalue les réponses de chaque étudiant pour choisir ses exercices suivants.
b) Une caméra d'amphithéâtre qui analyse les visages pour déduire les émotions des étudiants pendant le cours.
c) Un logiciel qui repère les comportements suspects pendant les examens en ligne.
Correction :
a) Elle évalue des acquis pour orienter le parcours d'apprentissage : haut risque (annexe III, point 3 b), sauf exception de l'article 6. Elle reste autorisée, avec des obligations.
b) Déduire les émotions dans un établissement d'enseignement est interdit par l'article 5, paragraphe 1, point f, depuis le 2 février 2025. Le but est pédagogique, ni médical ni de sécurité : l'outil est interdit.
c) Surveiller et détecter des comportements interdits pendant un examen : haut risque (annexe III, point 3 d).
À retenir
À retenir :
- Le support ne fait pas apprendre : l'activité qu'il fait faire et le guidage, si.
- Entièrement en ligne, on apprend autant qu'en présentiel ; l'hybride fait mieux ($d = 0{,}35$), grâce à l'ensemble du dispositif, pas au support seul.
- Serious game : apprendre fait partie des règles du jeu. Ludification : des points posés sur une activité ordinaire.
- Les serious games font mieux qu'un cours classique ($d = 0{,}29$) sans être plus motivants.
- Règlement sur l'IA : admettre, évaluer ou surveiller un examen relève du haut risque ; déduire les émotions est interdit.
Sources
- Règlement (UE) 2024/1689 sur l'intelligence artificielle, version consolidée au 27 juillet 2026, articles 2, 5 et 113 et annexe III : texte sur le site de la Commission européenne.
- B. Means et al., Evaluation of Evidence-Based Practices in Online Learning, ministère américain de l'Éducation, septembre 2010 : présentation et rapport.
- P. Wouters et al., « A meta-analysis of the cognitive and motivational effects of serious games », Journal of Educational Psychology, vol. 105, n° 2, 2013, p. 249-265 : article.