Chargement Évènements

« Tous les Évènements

DIDACTIfen 2027 : Concevoir, enseigner, apprendre et évaluer à l’ère du numérique et de l’IA

5 juillet 2027 - 6 juillet 2027

Les technologies numériques et, en particulier, l’intelligence artificielle (IA) s’imposent aujourd’hui comme des objets majeurs de réflexion pour les didactiques et les sciences de l’éducation et de la formation. Leur développement rapide transforme non seulement les outils disponibles, mais aussi les conditions mêmes de la conception pédagogique, de l’enseignement en classe, du suivi des apprentissages et de l’évaluation. Dans cette perspective, il ne s’agit plus seulement de s’interroger sur les usages du numérique et de l’IA en éducation, mais de penser les transformations profondes induites par ces technologies dans les manières de concevoir, d’enseigner, d’apprendre et d’évaluer alors même que ces technologies sont désormais accessibles aux enseignant·e·s comme aux apprenant·e·s.

 

Cet appel à communications propose de considérer ces transformations à travers une conception de l’ingénierie de formation pensée au croisement de quatre actes indissociables : concevoir, enseigner, apprendre et évaluer (bien que ce dernier puisse aussi être considéré comme faisant partie des trois premiers). Cette approche permet de dépasser une vision purement instrumentale ou techniciste du numérique pour l’inscrire dans une réflexion sur les dispositifs, les gestes professionnels (autant des enseignant·e·s que des apprenant·e·s alors perçu·e·s comme des professionnel·le·s de l’apprentissage), les interactions pédagogiques et les conditions de l’apprentissage. Elle conduit également à réintroduire une interrogation didactique forte : quels savoirs sont sélectionnés, organisés et médiatisés par les environnements numériques ? Quelles tâches rendent ces savoirs accessibles, problématisables ou transférables ? Quels obstacles, malentendus ou formes de compréhension ces dispositifs produisent-ils ou rendent-ils visibles ? Sous cet angle, le numérique ne relève pas seulement d’une ingénierie des moyens, il engage une ingénierie des situations, des savoirs et des médiations. En particulier, les outils numériques, et singulièrement l’IA, peuvent notamment contribuer à l’analyse des besoins, à la planification des activités, à la production de ressources, à la personnalisation des parcours, au feedback, à la régulation des apprentissages et à l’évaluation, tout en soulevant des enjeux éthiques, épistémologiques, didactiques et institutionnels majeurs (Céci et al., 2026 ; Holmes et al., 2019 ; UNESCO, 2023).

 

Ce colloque souhaite accueillir des contributions théoriques, empiriques et méthodologiques qui interrogent les usages, les effets et les limites du numérique en général, et de l’intelligence artificielle en particulier, dans les pratiques éducatives. Il s’agira notamment d’examiner comment ces outils reconfigurent la conception pédagogique, transforment les gestes enseignants et apprenants, influencent les stratégies d’apprentissage et imposent de nouvelles exigences en matière d’intégrité académique, de transparence, de responsabilité et d’équité (Fenoglio, 2023, 2025 ; Kasneci et al., 2023 ; UNESCO, 2023). L’objectif est de favoriser un dialogue scientifique sur les conditions d’une intégration du numérique en éducation, à la fois critique, efficiente et raisonnée en Anthropocène (perçu au sens de contexte impliquant la prise en compte de l’empreinte du numérique sur les limites planétaires) (Céci et al., 2024). Cette attention à la sobriété numérique et à l’empreinte environnementale des technologies constitue une préoccupation transversale, susceptible d’être interrogée dans chacun des quatre axes.

 

 

  1. Axe 1 : Concevoir

 

Cet axe porte sur les transformations de la planification pédagogique, de l’ingénierie de formation et du design de dispositifs à l’ère du numérique et de l’intelligence artificielle. Comme énoncé, ces outils peuvent intervenir à différentes étapes du processus de conception, depuis l’analyse des besoins jusqu’à l’évaluation, en passant par le design, le développement et l’implémentation. L’IA peut notamment soutenir l’identification de profils d’apprenant·e, la structuration de parcours différenciés, la production de ressources didactiques et l’adaptation des scénarios pédagogiques aux contextes d’apprentissage (Holmes et al., 2019 ; Luckin et al., 2016).

 

Cette perspective ouvre également un champ de recherche particulièrement fécond sur la conception pédagogique augmentée par l’IA. Les outils génératifs et analytiques permettent d’explorer plus rapidement des variantes de séquences, de scénarios, de supports et de modalités de feedback, tout en facilitant l’ajustement aux besoins réels des apprenant·e·s (Kasneci et al., 2023 ; Zawacki-Richter et al., 2019). Toutefois, cette assistance technologique ne doit pas conduire à une dépossession du jugement professionnel et encore moins des aspects didactiques des processus : concevoir demeure un acte intellectuel, situé et éthique, qui relève d’arbitrages didactiques, curriculaires et institutionnels que l’IA ne saurait remplacer (Selwyn, 2019).

 

Les communications attendues dans cet axe pourront ainsi porter sur l’ingénierie de formation, la conception de dispositifs, d’activités, de ressources et d’évaluations intégrant le numérique de manière cohérente, exigeante et responsable.

 

  1. Axe 2 : Enseigner

 

Cet axe s’intéresse à l’évolution des gestes professionnels de l’enseignant·e et de l’apprenant·e lorsque le numérique devient partie prenante de la relation pédagogique. En effet, l’intégration du numérique en classe reconfigure les pratiques enseignantes et apprenantes en engageant des processus de genèse instrumentale (Lagrange et Richard, 2022 ; Pastré, 2005 ; Rabardel, 1995), où les artéfacts numériques deviennent des instruments par l’élaboration conjointe de schèmes d’usage. Ainsi, les activités pédagogiques se transforment à mesure que les acteur·rice·s développent des modes d’appropriation situés, articulant contraintes techniques et intentions didactiques. L’IA, quant à elle, en soutenant la préparation des cours, la création de supports, la différenciation des tâches et le suivi des apprentissages ainsi qu’en allégeant certaines activités répétitives, peut renforcer la flexibilité pédagogique, accélérer certaines tâches de préparation et enrichir les ressources mobilisées en classe (Zhai et al., 2021).

 

Cependant, enseigner avec le numérique et l’IA ne se réduit pas à optimiser des tâches ou à automatiser des opérations. Cela suppose le développement d’une véritable littératie professionnelle, permettant aux enseignant·e·s de comprendre les capacités, les limites, les biais et les implications éthiques de ces outils (UNESCO, 2024). Dans cette perspective, l’enseignant·e demeure le/la médiateur·rice principal·e du savoir, de la relation pédagogique et du cadre normatif, dès lors qu’« un outil n’est pas un dispositif pédagogique » (Amadieu et Tricot, 2020, p. 141). Le numérique et l’IA peuvent soutenir la différenciation, la planification ou le retour d’information, sans pour autant se substituer au jugement didactique ou à la responsabilité éducative (Holmes et al., 2019 ; Selwyn, 2019).

 

Cet axe interroge également les nouvelles formes d’enseignement avec l’IA. Il devient nécessaire d’expliciter les usages permis, d’enseigner les principes de citation et d’attribution et de concevoir des situations pédagogiques qui développent l’esprit critique face aux contenus générés (Cotton et al., 2024 ; UNESCO, 2024). En ce sens, l’IA invite non seulement à renouveler les outils d’enseignement, mais aussi à reformuler les finalités de l’enseignement dans un environnement marqué par l’abondance informationnelle, l’instantanéité des réponses et la fragilisation de certaines formes traditionnelles de vérification des connaissances (Kasneci et al., 2023).

 

  1. Axe 3 : Apprendre

 

Cet axe examine les transformations de l’activité cognitive, de l’autorégulation et des stratégies d’étude des apprenant·e·s dans des environnements enrichis par le numérique. Ce dernier peut favoriser des apprentissages plus personnalisés, fournir un retour rapide, soutenir l’engagement et adapter les ressources aux besoins individuels (Céci et al., 2026 ; Cnesco, 2020, p. 64). La recherche souligne en effet que les systèmes adaptatifs, les tuteurs intelligents et les outils génératifs peuvent contribuer à une individualisation plus fine des parcours et à un accompagnement plus réactif (Holmes et al., 2019).

Cependant, apprendre avec le numérique suppose aussi d’apprendre à discerner la partie du travail intellectuel qui peut lui être déléguée. Les travaux sur l’intégrité académique notamment montrent que l’IA peut favoriser les raccourcis cognitifs, la dépendance à l’outil ou l’acceptation non critique de réponses plausibles mais erronées (Cotton et al., 2024 ; Rudolph et al., 2023). Il devient dès lors essentiel de développer chez les apprenant·e·s des compétences de vérification, de reformulation, de comparaison des sources et d’autorégulation, afin que le numérique demeure un soutien à l’apprentissage plutôt qu’un substitut à la pensée.

 

Cet axe ouvre enfin un espace de recherche important sur les stratégies d’apprentissage à l’ère de l’IA, notamment la collaboration avec des agents conversationnels, l’autoévaluation, la production assistée, la recherche d’information et la construction d’une littératie critique de l’IA (UNESCO, 2024). Il s’agit de mieux comprendre comment les apprenant·e·s s’approprient ces outils, quelles compétences nouvelles ils/elles développent et quelles conditions pédagogiques permettent de transformer l’usage du numérique en levier d’autonomie, de réflexion et de réussite.

 

  1. Axe 4 : Évaluer

 

L’évaluation constitue sans doute l’un des lieux où les effets du numérique et de l’intelligence artificielle apparaissent avec le plus d’acuité. L’émergence d’outils capables de générer des textes, des synthèses, des raisonnements ou des productions multimodales plausibles fragilise les formes d’évaluation qui reposent principalement sur la restitution, la production décontextualisée ou l’attribution individuelle implicite du travail. Elle impose dès lors de clarifier les usages autorisés de l’IA, de rendre explicites les critères de jugement et de concevoir des tâches plus authentiques, contextualisées et alignées sur les apprentissages réellement visés (Cotton et al., 2024 ; Rudolph et al., 2023 ; UNESCO, 2023).

 

Cependant, réduire cette transformation à une question d’intégrité académique serait une erreur. L’enjeu est aussi de réaffirmer la fonction formative de l’évaluation : produire de l’information utile pour apprendre, soutenir l’autorégulation, documenter les progrès, rendre visibles les obstacles et organiser des feedbacks exploitables par les apprenant·e·s (Black et Wiliam, 1998 ; Nicol et Macfarlane-Dick, 2006 ; Sadler, 1989). Dans cette perspective, le numérique et l’IA peuvent contribuer à diversifier les traces d’apprentissage, à soutenir l’analyse des productions, à personnaliser certains retours et à outiller la régulation pédagogique, à condition que ces usages restent subordonnés à un jugement humain, didactiquement informé et éthiquement responsable (Holmes et al., 2019 ; Kasneci et al., 2023 ; UNESCO, 2024).

Évaluer à l’ère de l’IA suppose ainsi de déplacer le centre de gravité : d’une évaluation conçue comme simple vérification terminale vers une évaluation pensée comme composante intégrée du dispositif de formation. Les communications de cet axe pourront interroger les formes renouvelées d’évaluation certificative, formative ou diagnostique, les pratiques de feedback augmenté, les critères d’acceptabilité des usages de l’IA, les tensions entre automatisation et responsabilité professionnelle, ainsi que les conditions permettant de développer chez les apprenant·e·s une véritable littératie évaluative et critique face aux productions numériques (Carless et Boud, 2018).

 

  1. Références bibliographiques

 

Amadieu, F. et Tricot, A. (2020). Apprendre avec le numérique. Retz.

Black, P. et Wiliam, D. (1998). Assessment and Classroom Learning. Assessment in Education: Principles, Policy & Practice, 5(1), 7-74. https://doi.org/10.1080/0969595980050102.

Carless, D. et Boud, D. (2018). The Development of Student Feedback Literacy: Enabling Uptake of Feedback. Assessment & Evaluation in Higher Education, 43(8), 1315-1325. https://doi.org/10.1080/02602938.2018.1463354.

Céci, J.-F., Biatour, L., Higuet, S., Larue, G., Mertens, L., Vaelen, V. et Joris, N. (2026). AI-Assisted Instructional Design: An Emerging Concept. Dans A. Adoui (dir.), Artificial Intelligence, Academic Integrity, and the Internationalization of Higher Education. Navigating Innovation and Ethics (p. 255-274). Palgrave Macmillan, Cham. https://doi.org/10.1007/978-3-032-19585-2_12.

Céci, J.-F., Heiser, L. et Raynault, A. (2024). Vers une typologie des prudences numériques en éducation : une réponse aux pratiques sociales de références actuelles ?. Revue internationale des technologies en pédagogie universitaire, 21(2). https://doi.org/10.18162/ritpu-2024-v21n2-10.

Cnesco. (2020). Numérique et apprentissages scolaires. Dossier de synthèse. Centre national d’étude des systèmes scolaires. https://www.cnesco.fr/wp-content/uploads/2020/10/Numerique_Dossier_de_synthese_du_Cnesco.pdf.

Cotton, D. R. E., Cotton, P. A. et Shipway, J. R. (2024). Chatting and Cheating: Ensuring Academic Integrity in the Era of ChatGPT. Innovations in Education and Teaching International, 61(2), 228-239. https://doi.org/10.1080/14703297.2023.2190148.

Fenoglio, P. (2023). L’inclusion numérique en éducation : un enjeu de démocratie. Édubref, 17. http://veille-et-analyses.ens-lyon.fr/EB-Veille/Edubref-septembre-2023.pdf.

Fenoglio, P. (2025). L’intelligence artificielle en éducation : rupture ou continuité ?. Édurevue, 154. https://veille-et-analyses.ens-lyon.fr/DA-Veille/ER-154-decembre-2025.pdf.

Holmes, W., Bialik, M. et Fadel, C. (2019). Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. Center for Curriculum Redesign.

Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., Stadler, M., Weller, J., Kuhn, J. et Kasneci, G. (2023). ChatGPT for Good? On Opportunities and Challenges of Large Language Models for Education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274.

Lagrange, J.-B. et Richard, P. (2022). Instrumental Genesis in the Theory of MWS: Insight from Didactic Research on Digital Artefacts. Dans A. Kuzniak, E. Montoya-Delgadillo et P. R. Richard (dir.), Mathematical Work in Educational Context. The Perspective of the Theory of Mathematical Working Spaces (p. 211-228). Springer.

Luckin, R., Holmes, W., Griffiths, M. et Forcier, L. B. (2016). Intelligence Unleashed: An Argument for AI in Education. Pearson.
https://static.googleusercontent.com/media/edu.google.com/en//pdfs/Intelligence-Unleashed-Publication.pdf.

Nicol, D. J. et Macfarlane-Dick, D. (2006). Formative Assessment and Self-regulated Learning: A Model and Seven Principles of Good Feedback Practice. Studies in Higher Education, 31(2), 199-218. https://doi.org/10.1080/03075070600572090.

Pastré, P. (2005). Genèse et identité. Dans P. Rabardel et P. Pastré, Modèles du sujet pour la conception. Dialectiques activités développement. Octarès.

Rabardel, P. (1995). Les hommes et les technologies. Approche cognitive des instruments contemporains. Armand Colin.

Rudolph, J., Tan, S. et Tan, S. (2023). ChatGPT: Bullshit Spewer or the End of Traditional Assessments in Higher Education?. Journal of Applied Learning & Teaching, 6(1). https://doi.org/10.37074/jalt.2023.6.1.9.

Sadler, D. R. (1989). Formative Assessment and the Design of Instructional Systems. Instructional Science, 18(2), 119-144. https://doi.org/10.1007/BF00117714.

Selwyn, N. (2019). Should Robots Replace Teachers? AI and the Future of Education. Polity Press.

UNESCO. (2023). Orientations pour l’intelligence artificielle générative dans l’éducation et la recherche. UNESCO. https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research.

UNESCO. (2024). Référentiel de compétences en IA pour les enseignants. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000392681.

Zawacki-Richter, O., Marín, V. I., Bond, M. et Gouverneur, F. (2019). Systematic Review of Research on Artificial Intelligence Applications in Higher Education – Where Are the Educators?. International Journal of Educational Technology in Higher Education, 16. https://doi.org/10.1186/s41239-019-0171-0.

Zhai, X., Chu, X., Chai, C. S., Jong, M. S. Y., Istenic, A., Spector, M., Liu, J.-B., Yuan, J. et Li, Y. (2021). A Review of Artificial Intelligence (AI) in Education from 2010 to 2020. Complexity, 2021, 8812542. https://doi.org/10.1155/2021/8812542

 

Détails

Début :
5 juillet 2027
Fin :
6 juillet 2027
Catégorie d’Évènement:
Site :
https://didactifen2027.sciencesconf.org/resource/page/id/3

Lieu

Liège
Voir Lieu site web