Revue internationale sur le numérique en éducation et communication
revue-mediations.teluq.ca N
o
16, automne 2023
9
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
1
Unerecensiondesécritsde1970à2022
surlesrôlesdel’enseignantetde
l’intelligenceartificielledansledomaine
del’IAenéducation
AReviewoftheLiteraturefrom1970to2022ontheRolesof
TeachersandArtificialIntelligenceintheFieldofAIin
Education
Unarevisióndelosescritosde1970a2022sobrelospapeles
delprofesorylainteligenciaartificialenelcampodelaIAen
educación
https://doi.org/10.52358/mm.vi16.304
Alexandre Lepage, doctorant en sciences de l’éducation
Université de Montréal, Canada
alexandre.lepage.2@umontreal.ca
Normand Roy, professeur
Université de Montréal, Canada
normand.roy@umontreal.ca
RÉSUMÉ
Cet article présente une recension des écrits sur la façon dont les rôles de l’enseignant et de
l’intelligence artificielle (IA) sont abordés dans le domaine de l’intelligence artificielle en
éducation (IAED) depuis 1970. Quarante-sept documents, théoriques pour la plupart, ont été
analysés à partir des passages relatifs aux tâches confiées à une IA en lien avec les
apprenants, les enseignants, les savoirs ou la classe (p. ex. le soutien à la motivation ou la
rétroaction personnalisée). Les passages qui discutent du rôle de l’enseignant en lien avec
ces différentes composantes ont aussi été analysés (p. ex. le pilotage des interactions en
classe ou l’évaluation des apprenants). Les principaux résultats montrent que les
développements dans le domaine de l’IAED couvrent un large spectre des attributions de
l’enseignant et que, même si inatteignable sur un horizon prévisible, l’ambition scientifique du
domaine semble être d’automatiser de plus en plus de tâches de l’enseignant. Il en ressort
revue-mediations.teluq.ca N
o
16, automne 2023
10
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
2
que le rôle de l’enseignant est très peu discuté dans le domaine, et encore moins les
interactions attendues entre enseignants et IA. La discussion propose de réemployer le
tétraèdre des TIC en éducation de Faerber (2003), lui-même appuyé sur le triangle didactique
de Houssaye (1988), pour conceptualiser le rôle de l’IA en éducation en interaction avec ceux
de l’enseignant et de l’apprenant.
Mots-clés : intelligence artificielle, éducation, enseignant, intelligence artificielle en éducation, TIC
ABSTRACT
This article reviews the literature on the role of artificial intelligence (AI) and what teachershave
envisioned in the field of artificial intelligence in education (AIED) since 1970. Forty-eight
documents, most of them theoretical, were analyzed to identify what roles are given to AI in
relation to learners, teachers, knowledge and the classroom as a whole (i.e. supporting
motivation or providing personalized feedback). Quotes discussing teachers’ role toward these
components of learning situations were also analyzed (i.e. orchestrating interactions or
evaluating learners). The results show considerable overlap between teachers’ role and what
AI is being developed to achieve in the field of AIED. Even if impossible in a predictable future,
the ambition of research in the field seems to be to automate a growing number of teachers’
tasks. In the meantime, the role of teachers appears to be a dead angle in the field of AIED.
The discussion proposes to reuse Faerber’s ICT pyramid (2003), based on Houssaye’s
didactic triangle (1988/2015), to better study the role of AI in education in relation to those of
teachers and learners.
Keywords: a
rtificial intelligence, education, teacher, artificial intelligence in education, ICT
RESUMEN
Este estudio presenta una revisión de la literatura sobre cómo se han abordado los papeles
del docente y de la inteligencia artificial (IA) en el campo de la inteligencia artificial en
educación (AIED) desde 1970. Se han analizado cuarenta y ocho artículos, en su mayoría
teóricos, a partir de los pasajes relacionados con las tareas encomendadas a una IA en
relación con los alumnos, los profesores, el conocimiento o la clase (por ejemplo, apoyo a la
motivación o retroalimentación personalizada). También se han analizado los pasajes que
discuten el papel del profesor en relación con estos diferentes componentes (por ejemplo, la
gestión de las interacciones en el aula o la evaluación de los alumnos). Los principales
resultados muestran que los desarrollos en el campo de la IAED cubren un amplio espectro
de atribuciones docentes y que, aunque inalcanzable en un horizonte previsible, la ambición
científica en el ámbito parece ser automatizar cada vez más las funciones docentes. Parece
que el papel del docente es muy poco discutido en el campo, y menos todavía las
interacciones esperadas entre los docentes y la IA. La discusión propone reutilizar el tetraedro
de las TIC en la educación de Faerber (2003), basado en el triángulo didáctico de Houssaye
(1988/2015), para conceptualizar el papel de la IA en educación en interacción con el del
docente y el del alumno.
Palabras clave: inteligencia artificial, educación, docente, inteligencia artificial en educación, TIC
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
1
Unerecensiondesécritsde1970à2022
surlesrôlesdel’enseignantetde
l’intelligenceartificielledansledomaine
del’IAenéducation
AReviewoftheLiteraturefrom1970to2022ontheRolesof
TeachersandArtificialIntelligenceintheFieldofAIin
Education
Unarevisióndelosescritosde1970a2022sobrelospapeles
delprofesorylainteligenciaartificialenelcampodelaIAen
educación
https://doi.org/10.52358/mm.vi16.304
Alexandre Lepage, doctorant en sciences de l’éducation
Université de Montréal, Canada
alexandre.lepage.2@umontreal.ca
Normand Roy, professeur
Université de Montréal, Canada
normand.roy@umontreal.ca
RÉSUMÉ
Cet article présente une recension des écrits sur la façon dont les rôles de l’enseignant et de
l’intelligence artificielle (IA) sont abordés dans le domaine de l’intelligence artificielle en
éducation (IAED) depuis 1970. Quarante-sept documents, théoriques pour la plupart, ont été
analysés à partir des passages relatifs aux tâches confiées à une IA en lien avec les
apprenants, les enseignants, les savoirs ou la classe (p. ex. le soutien à la motivation ou la
rétroaction personnalisée). Les passages qui discutent du rôle de l’enseignant en lien avec
ces différentes composantes ont aussi été analysés (p. ex. le pilotage des interactions en
classe ou l’évaluation des apprenants). Les principaux résultats montrent que les
développements dans le domaine de l’IAED couvrent un large spectre des attributions de
l’enseignant et que, même si inatteignable sur un horizon prévisible, l’ambition scientifique du
domaine semble être d’automatiser de plus en plus de tâches de l’enseignant. Il en ressort
revue-mediations.teluq.ca N
o
16, automne 2023
11
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
3
Introduction
L’intelligence artificielle en éducation (IAED) est un domaine de recherche dont les débuts se situent dans
la décennie 1971-1980 (Self, 2016). Depuis, de nombreuses recherches ont été menées et ont conduit au
développement d’une variété d’outils numériques parmi lesquels les systèmes tutoriels intelligents, les
agents conversationnels ou bien, plus récemment, les tableaux de bord de la réussite éducative. Le
domaine s’inscrit en continuité avec celui du Computer-aided instruction puis du Intelligent Computer-aided
instruction (Robertson, 1976), dont l’objectif était de permettre l’apprentissage de connaissances à
l’ordinateur avec des exerciseurs fournissant des rétroactions automatiques. Selon Wenger (1986),
contrairement à ces deux domaines, le domaine de l’IAED visait alors à développer des systèmes capables
de prendre eux-mêmes des décisions pédagogiques plutôt que d’appliquer des décisions programmées
par avance. En 1987, Romiszowski balisait le domaine de l’IAED disant que ses applications pouvaient
servir soit l’enseignant ou l’élève, sur l’un ou l’autre de ces trois axes : en tant que tuteur (apprentissage
assisté par ordinateur), en tant qu’outil (utilisation de systèmes experts) ou en tant qu’objet d’apprentissage
(apprendre à programmer un système). Plus récemment, Lameras et Arnab (2021) ont réalisé une
recension des écrits pour la période 2008-2020 et ont identifié que le domaine de l’IAED pouvait se décliner
en cinq sous-domaines, soit 1) la préparation et la transmission de contenu,2) l’aide aux étudiants dans
l’application des connaissances, 3) l’engagement des étudiants dans les tâches, 4) l’évaluation et la
rétroaction et 5) l’aide à l’autorégulation par les apprenants.
Les changements dans le domaine de l’IAED ont été nombreux depuis ses débuts, à commencer par la
multiplication des sources de données disponibles pour personnaliser les apprentissages selon les
individus (Bull et Kay, 2016). Cette personnalisation, objectif central des recherches dans le domaine
(Dede et al., 1985), s’appuie désormais sur une plus grande quantité de paramètres déterminés par des
traces numériques de plus en plus complexes, et par des modèles prédictifs établis par des données
massives provenant d’une multitude d’apprenants ou de cas d’utilisation. La frontière de plus en plus
poreuse entre les espaces numériques et les espaces physiques (Dillenbourg, 2016) amène aussi à
envisager le domaine de l’IAED comme de moins en moins hermétique, les usages de l’IA en éducation
pouvant s’étudier via des situations d’enseignement-apprentissage complexes dans le contexte de la
classe, en présence ou virtuelle, ou bien via d’autres disciplines comme l’évaluation ou le design
pédagogique. De plus, les techniques employées pour le fonctionnement des systèmes d’IAED ont évolué.
Romiszowski (1987) associait étroitement l’IAED aux systèmes experts, qu’il définissait ainsi : « An expert
system should help a novice, or partly experienced, problem-solver to match acknowledged experts in the
particular domain of problem solving that the system is designed to assist » (p. 96). Aujourd’hui, le domaine
de l’IAED est marqué par le recours croissant à une IA dite connexionniste (voir Minsky, 1991), via
l’apprentissage automatique, donnant lieu à de nouveaux usages comme la prédiction de la réussite
scolaire ou le déploiement d’agents conversationnels hautement performants.
Le rôle de l’enseignant a été peu abordé dans le domaine de l’IAED (du Boulay, 2021), les recherches se
concentrant principalement sur les interactions entre apprenants et savoirs par la médiation de systèmes
tutoriels intelligents qui peuvent prendre la forme d’assistants pour la résolution de problèmes, de mentors,
d’assistants de laboratoire ou de consultants experts (Sleeman et Brown, 1982). Pourtant, les enseignants
sont centraux dans le processus d’intégration pédagogique du numérique et tout transfert des nouvelles
technologies à l’intérieur de la classe passe d’abord par eux. De plus en plus de systèmes visent à soutenir
les interactions entre enseignants et apprenants (Timms, 2016), ce qui appelle à définir le rôle de
l’enseignant par rapport à l’utilisation de l’IA. Tout comme d’autres technologies numériques, l’intégration
pédagogique de l’IA en éducation n’est possible que s’il y a d’abord adoption par les enseignants. Ensuite,
c’est par l’intégration technopédagogique, aujourd’hui étudiée par des cadres spécifiques comme le
modèle T-PACK (Koehler et Mishra, 2009), que l’enseignant déterminera ce qui est fait avant, pendant et
revue-mediations.teluq.ca N
o
16, automne 2023
12
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
4
après l’utilisation d’une technologie numérique, avec ou sans IA. Il déterminera également les attentes
vis-à-vis de l’apprenant à chacune de ces étapes, et pourra combiner plusieurs logiciels pour atteindre un
objectif pédagogique de plus grande portée que ce qui a été pensé au moment de la conception de la
technologie. Le déploiement de systèmes d’IAED dans le contexte de la classe passe donc
nécessairement par les enseignants. Or, qu’attend-on d’eux vis-à-vis des systèmes d’IA? Quel est leur
rôle? Ces logiciels empiètent-ils sur des tâches des enseignants? Sont-ils meilleurs ou pires que
l’enseignant pour certaines tâches? Quelles nouvelles responsabilités incombent aux enseignants lors de
l’utilisation de systèmes d’IA?
Cet article trouve sa pertinence principalement dans la peur, fondée ou non, selon laquelle l’IA pourrait
remplacer l’enseignant. Selon Renz et Vladova (2021), cette peur du remplacement de l’enseignant a
ralenti la progression de l’IA en éducation par rapport à d’autres domaines. Pour plusieurs, les enseignants
sont nécessaires pour gérer des situations particulières non anticipables (Holmes et al., 2021), prendre
des décisions pédagogiques dans l’intérêt de l’élève et non du secteur Edtech (Saltman, 2020) ou tout
simplement pour préserver les interactions humaines (Renz et Vladova, 2021). Pour ceux-là, le rôle de l’IA
en éducation doit plutôt être de soutenir l’enseignant dans ses actions (p. ex. Bulger, 2016; Marrhich et al.,
2021). Mais la distinction entre remplacement de l’enseignant et soutien à l’enseignant n’est pas si claire
dans le cas d’une technologie dont l’ambition est de reproduire une partie de l’intelligence humaine.
Comme le soulignent Mubin et al. (2013), la division du travail entre les robots éducatifs et les enseignants
doit être clarifiée en dépassant la dichotomie stérile portée par l’idée de remplacement. L’objectif de la
recherche est d’analyser comment les rôles de l’enseignant et de l’IA ont été décrits dans le domaine de
l’IAED de 1970 à 2022. L’atteinte de cet objectif permettra éventuellement d’identifier les zones
d’interaction entre enseignants et IA, de même que les espaces vides à combler en matière de rôle auprès
des apprenants.
Méthode
La méthode sélectionnée est celle de la recension systématique en s’appuyant sur les étapes suggérées
par Rhoades (2011) : l’identification des critères d’inclusion et d’exclusion, le balayage des titres et
résumés pour exclure les études non pertinentes, l’ajout de références jugées manquantes, l’analyse
détaillée des études pertinentes, l’extraction des données, la synthèse et la conclusion. Une analyse
inductive (Corbin et Strauss, 2015) a été réalisée en établissant une grille de codes, stabilisée après les
10 premiers documents, avec le logiciel MaxQDA. Le balayage des titres et résumés a été effectué par un
des auteurs, de même que la codification des documents. La grille de codes a été ajustée et validée par
les deux auteurs.
Bases de données consultées
Les bases de données suivantes ont été consultées le 1
er
novembre 2022 : Web of Science (71 résultats),
ACM Digital Library (6), Science Direct (8), Erudit (3), Academic Search Premier et Education Source (39),
Taylor and Francis (4), ainsi que 11 ajouts manuels, car jugés manquants (p. ex. via les références des
documents consultés ou suggérés lors de la révision par les pairs). La recherche n’a donné aucun résultat
dans CAIRN et OpenEditions. La recherche brute a donné 142 résultats. Après retrait des doublons
(n = 17), application des critères d’exclusion (tableau 1, n = 76), retrait des documents inaccessibles
(n = 2), le corpus final comporte 47 documents (Figure 1). Les documents faisant partie du corpus sont
marqués d’un astérisque dans la liste des références à la fin.
revue-mediations.teluq.ca N
o
16, automne 2023
13
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
5
Critère d’inclusion et d’exclusion des textes
Comme la recension vise spécifiquement à identifier les publications se situant dans le domaine de l’IAED
et traitant du rôle des enseignants, l’expression exacte « artificial intelligence in education » et le
mot « teacher* » ont été identifiés comme principaux critères d’inclusion.
Tableau 1
Critères d’inclusion et d’exclusion de la recension
Critère de recherche
Valeurs
Critères d’inclusion
Année de publication
1970 … 2022
Domaine de l’intelligence artificielle en
éducation
Titre, résumé ou mots-clés contient : « artificial
intelligence in education » OU « AIED » OU
« intelligence artificielle en éducation »
Rôle de l’enseignant
Titre et résumé contiennent : teacher* OU
enseignant*
Exclure les autres définitions de
l’acronyme IAED (autoimmune inner ear
disease)
Titre et résumé ne contiennent pas : « disease »
Critères d’exclusion (balayage des titres et
résumés)
Langue de l’article
N’est pas en anglais ou en français
Type d’article
Éditoriaux, politiques de collecte de données ou
appels à communication
Sujet
Traite de médecine ou santé, traite d’un outil
précis sans discuter du domaine de l’IAED
Enseignants
Ne traite pas du rôle de l’enseignant dans le
domaine de l’IAED
D
1
er
novembre 2022
142 documents identifiés dans des
bases de données
(dont 11 ajouts par référence croisée)
17 doublons retirés
76 documents exclus pour une ou plusieurs de ces raisons :
• Traite d’un cours portant sur l’IA
• IAED seulement mentionné comme élément périphérique
• Appel à communications
• Étude sur un outil précis sans discuter du domaine
• Ne traite pas des enseignants
47 documents
retenus
2 documents inaccessibles
49 documents
pertinents
Figure 1
Processus de sélection des
documents du corpus
revue-mediations.teluq.ca N
o
16, automne 2023
14
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
6
Résultats
Cette section vise à présenter les résultats en lien avec l’objectif de recherche, soit de présenter la manière
par laquelle les rôles de l’IA et de l’enseignant sont abordés dans le domaine de l’IAED. Une première
partie présente une description du corpus, ensuite les rôles de l’IA et de l’enseignant sont abordés tour à
tour. Pour chacun, les résultats sont séparés en fonction des interactions (p. ex. rôle de l’IA ou de
l’enseignant auprès des enseignants, des apprenants, des savoirs et de la classe). La dernière section
présente les résultats spécifiques par rapport à l’idée explicite de remplacement de l’enseignant.
Description du corpus
Au total, 65 catégories de codage ont été constituées et sont présentées dans le tableau 2 avec le nombre
de passages correspondants ainsi que le nombre de documents pour lesquels cette catégorie a été
employée au moins une fois. Le rôle de l’IA en éducation est abordé au moins une fois dans 46 documents
et le rôle de l’enseignant dans 29 documents. La majorité des documents sont des articles théoriques
publiés dans des revues avec révision par les pairs (n = 25).
revue-mediations.teluq.ca N
o
16, automne 2023
15
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
7
Tableau 2
Grille de codage avec le nombre de segments et le nombre de documents par code
Code
Seg
Doc
Rôle de l'IA
519
46
Rôle auprès des enseignants
106
26
Fournir de l'information aux enseignants sur
les apprenants
45
22
Modéliser le travail des enseignants
23
6
Aider à la prise de décisions
19
12
Fournir aux enseignants de l'information sur
leur pratique
15
4
Faciliter la collaboration ou la formation
entre enseignants
4
3
Rôle auprès des apprenants
273
43
Fournir de la rétroaction précise
56
27
Modéliser l'apprenant
55
25
Personnaliser les apprentissages
40
21
Soutenir la métacognition
38
18
Évaluer les apprenants
20
15
Soutenir la motivation
16
11
Détecter les émotions
15
10
Construire une relation avec l'apprenant
12
3
Choisir des stratégies d'enseignement
9
7
Orienter vers de bonnes stratégies
d'apprentissage
7
6
Détecter le plagiat
3
2
Identifier les élèves à risques
2
2
Rôle en lien avec les savoirs
105
31
Modéliser un domaine de connaissances
49
19
Choisir des contenus et activités
20
14
Transmettre des connaissances
18
14
Produire ou enrichir des ressources
éducatives numériques
15
7
Proposer des exercices de type « Drill &
practice »
3
3
Rôle auprès de la classe
34
11
Soutenir le travail collaboratif
17
8
Gérer la classe et les comportements
8
1
Alimenter la discussion entre enseignants et
apprenants
7
4
Modéliser les espaces physiques
d'apprentissage
2
2
Code
Seg
Doc
Rôle de l'enseignant
132
29
Rôle auprès de l'IA
47
18
Participer à l’élaboration des systèmes d’IA
22
10
Interpréter les informations données par l'IA
9
5
Saisir des données
8
7
Bonifier ou corriger les représentations de
l'IA
5
3
Choisir des outils d’IA
3
3
Rôle auprès des apprenants
36
17
Soutenir la motivation des apprenants
9
6
Se représenter et connaître les apprenants
8
7
Poser des diagnostics d'apprentissage
précis
6
4
Fournir des rétroactions aux apprenants
4
3
Évaluer les apprenants
3
3
Orienter vers de bonnes stratégies
d'apprentissage
3
2
Sélectionner des tâches individualisées
2
2
Soutenir la métacognition des apprenants
1
1
Rôle en lien avec les savoirs
21
11
Planifier l'enseignement
11
6
Créer des ressources éducatives
numériques
4
3
Déterminer des stratégies d'enseignement
élaborées
3
3
Transmettre des connaissances
3
3
Rôle auprès de la classe
28
14
Interpréter une situation éducative unique et
inédite
8
3
Entrer en relation avec le groupe
7
4
Piloter des échanges ou du travail
collaboratif
6
5
Créer et maintenir un climat de classe sain
3
3
Réaliser des actions périphériques non
orientées vers un but
3
2
Négocier avec les élèves
1
1
Remplacement de l'enseignant
143
38
Transformation du rôle de l'enseignant
47
24
Avantages de l'IA vis-à-vis l'enseignant
40
18
Triangle enseignants-IA-apprenants
24
9
Avantages de l'enseignant vis-à-vis de l'IA
22
13
Différences entre un tuteur intelligent et un
enseignant
10
7
Note. Le nombre de segments codés aux 1
er
et 2
e
niveaux est un sous-total. Les passages ont tous été codés au 3
e
niveau.
Le nombre de documents au 3
e
niveau est le total de documents avec au moins un passage codé. Aux 1
er
et 2 niveaux, il
s’agit du nombre de documents avec au moins un passage codé dans un ou plusieurs des codes de 3
e
niveau.
revue-mediations.teluq.ca N
o
16, automne 2023
16
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
8
Les figures 2 à 4 présentent la répartition des documents par type, par pays du premier auteur et par
année. Les résultats sont présentés dans l’ordre d’importance du nombre de passages codés : rôle de l’IA
(n = 539) et rôle de l’enseignant (n = 130).
Figure 2
Nombre de documents par pays du premier auteur
Figure 3
Nombre de documents par type de documents
12
9
8
6
4
2 2 2 2
0
2
4
6
8
10
12
14
États-Unis
Royaume-Uni
Autre
Australie
Canada
Suède
Chine
Arabie saoudite
Inde
25
6
5
3
4
2 2
0
5
10
15
20
25
30
Articles théoriques
Actes de conférence
Recensions des écrits
Articles professionnels
Livres ou chapitres
Articles empiriques
Autres
revue-mediations.teluq.ca N
o
16, automne 2023
17
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
9
Figure 4
Nombre de documents par année de publication
Rôle de l’IA
RÔLE DE L’IA AUPRÈS DES ENSEIGNANTS
Les principaux résultats relatifs au rôle de l’IA concernent l’aide à la prise de décisions et la modélisation
du travail des enseignants.
Premièrement, l’IA peut servir à aider les enseignants à prendre des décisions. Une dizaine de documents
abordent l’aide à la prise de décisions, mais la plupart ne donnent pas davantage de détails sur les tâches
qui peuvent être l’objet de cette aide. Il peut s’agir d’aide au design pédagogique ou à la sélection de
ressources éducatives (Celik et al., 2022), mais aussi d’aide au diagnostic des difficultés d’apprentissage
(Colbourn, 1985) ou d’aide dans l’ensemble des tâches quotidiennes. À ce titre, Timms (2016) emploie le
concept de « educational cobot » (p. 703) pour décrire un assistant intelligent qui augmenterait les
capacités de l’enseignant. Pour alimenter la prise de décisions, les systèmes d’IA peuvent avoir pour
fonction d’augmenter l’information disponible aux enseignants. Colbourn (1985) propose que les systèmes
d’IA peuvent aider les enseignants à détecter des difficultés d’apprentissage. Plus récemment, plusieurs
auteurs abordent l’idée que l’IA permet de colliger des données qu’il aurait été impossible d’obtenir
autrement (paradigme du Big data, Cox et Brna, 2016). Dans le domaine de l’analytique de l’apprentissage,
des tableaux de bord à destination des enseignants permettent de visualiser de l’information cumulée sur
les traces d’apprentissages des apprenants individuellement ou en groupe (Lajoie, 2021). Les outils de
prédiction de la réussite servent aussi à fournir de l’information supplémentaire aux enseignants pour les
appuyer dans leur prise de décisions (Dillenbourg, 2016; Yuskovych-Zhukovska et al., 2022). Selon
Humble et Mozelius (2019), un système tutoriel intelligent « needs not to be intelligent but rather designed
intelligently to amplify the human tutors already existing intelligence » (p. 5, en s’appuyant sur Baker,
2016).
Deuxièmement, l’IA est aussi employée pour modéliser le travail des enseignants dans le but de reproduire
plus fidèlement leurs actions. À ce titre, des articles récents affichent une intention de dépasser la simple
modélisation du rôle de tuteur que peut avoir un enseignant et de considérer aussi l’aspect relationnel
0
1
2
3
4
5
6
7
8
9
10
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
2016
2018
2020
2022
revue-mediations.teluq.ca N
o
16, automne 2023
18
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
10
avec les apprenants. Par exemple, Celik et al. (2022) relatent des études où il a été tenté d’analyser la
communication verbale des enseignants ou leurs mouvements à partir d’enregistrements vidéo afin de
modéliser leur comportement en classe. Ces usages peuvent servir à mieux comprendre les gestes des
enseignants afin de les faire reproduire par un tuteur intelligent, mais pour le moment ils servent surtout à
aider les futurs enseignants à développer un recul réflexif sur leur pratique (Porayska-Pomsta, 2016). Dans
cette idée de recul réflexif sur la pratique, du Boulay (2021) propose que des systèmes pourraient servir à
aider les enseignants à constater les écarts entre leur planification de classe et le pilotage tel qu’il s’est
vécu en classe.
RÔLE DE L’IA AUPRÈS DES APPRENANTS
Les principaux rôles de l’IA vis-à-vis des apprenants qui seront présentés sont, dans l’ordre, la
modélisation de l’apprenant, la personnalisation des apprentissages, la rétroaction et la construction d’une
relation avec l’apprenant.
Premièrement, les systèmes d’IAED sont composés d’un modèle de l’apprenant, d’un modèle du domaine
de connaissances et d’un modèle d’enseignement (Crovello, 1985; Dede et al., 1985). Le modèle de
l’apprenant sert à stocker une représentation des connaissances de l’apprenant (Halff, 1986) et à la mettre
à jour au fur et à mesure qu’il apprend avec le système. Le modèle de l’apprenant est alors juxtaposé au
modèle de connaissances ou au modèle d’un expert, et permet d’inférer les connaissances manquantes
ou erronées de l’apprenant (Brown, 1977; Burton et Brown, 1982). Si l’apprenant a bien intégré les
connaissances, il devrait produire les mêmes réponses que le modèle de connaissances (Carbonell,
1970). Entre le début du domaine de l’IAED dans les années 1980 et aujourd’hui, les possibilités de
modélisation de l’apprenant ont été décuplées notamment par le recours aux outils sur le Web qui
permettent de connecter des données de plusieurs apprenants pour créer des modèles plus complexes
(Bull et Kay, 2016). De plus, la multiplication des capteurs permettant de collecter des données amène à
complexifier la modélisation des apprenants en y intégrant une plus grande variété (Dillenbourg, 2016).
Les modèles des apprenants tendent désormais à intégrer de plus en plus de données sur l’engagement
émotionnel des étudiants et non seulement sur l’état de leurs connaissances (du Boulay, 2021), et
également des données longitudinales (Pinkwart, 2016). Ces modèles sont à la base de toute intervention
qui vise à personnaliser les apprentissages (Kay et al., 2022). Selon Lameras et Arnab (2021), le modèle
de l’apprenant devrait comprendre six composantes : les connaissances par rapport au sujet appris, les
motivations à apprendre et les attentes vis-à-vis de la situation d’apprentissage, l’expérience préalable des
différentes modalités d’apprentissage, les préférences, les habiletés sociales et la confiance à utiliser un
système d’apprentissage adaptatif.
Deuxièmement, en s’appuyant sur le modèle de l’apprenant, les systèmes d’IAED visent à personnaliser
l’expérience d’apprentissage. Cette personnalisation peut s’opérer sur différents éléments, par exemple
sur la navigation dans un logiciel en retirant ou en ajoutant des options (Brusilovsky et Peylo, 2003). Elle
peut aussi s’opérer en adaptant les contenus aux intérêts d’une personne (du Boulay, 2021; Khandelwal,
2021) ou bien en ajustant le niveau de difficulté progressivement. Selon du Boulay et Luckin (2016),
l’adaptation peut être macro lorsqu’elle vise un groupe de personnes, ou micro lorsqu’elle cible des
individus.
Troisièmement, les systèmes d’IAED visent à donner des rétroactions rapides aux apprenants tels que
mentionnés par de nombreux auteurs (p. ex. Dede et al., 1985; Humble et Mozelius, 2019; Kann, 1983;
Khan et al., 2022; Stubbs et Piddock, 1985), parfois en temps réel au moment de réaliser une procédure.
Elles peuvent aussi être constituées d’indices personnalisés basés sur les erreurs commises par
l’apprenant pour l’aider à ajuster ses actions (Brown, 1977). Ces rétroactions visent à réguler des
revue-mediations.teluq.ca N
o
16, automne 2023
19
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
11
connaissances, à soutenir la motivation à apprendre (p. ex. Kim et Baylor, 2016; Walker et Ogan, 2016),
à encourager la réflexion métacognitive en interrompant l’apprenant pour lui suggérer des réflexions (Dede
et al., 1985). Certains systèmes visent plutôt à ce que l’apprenant pilote lui-même les interactions avec le
système en lui posant des questions (Jonassen, 2011). Burton et Brown (1982) distinguent le tuteur du
« coach » (p. 79) disant que le tuteur agit plus formellement pour encadrer des apprentissages précis,
alors que le coach sert plutôt à favoriser l’apprentissage dans un environnement informel où l’élève a plus
d’initiative (p. ex. un jeu vidéo).
Finalement, plus récemment, des systèmes accordent de la valeur à la construction d’une relation avec
l’apprenant. Walker et Ogan (2016) proposent de modéliser ces relations entre tuteur intelligent et
apprenant :
We propose that AIED systems include designed relationships, or particular care taken to
construct the socio-motivational relationship between the AIED system and the student. As we
note above, a growing body of literature suggests that socially-designed interactions with
educational technologies can produce similar outcomes as social interactions amongst teachers
and students or peer collaborators. (p. 717)
De plus en plus de systèmes visent à détecter les émotions lors de la réalisation d’une tâche. Différentes
expérimentations ont lieu, notamment pour évaluer le niveau d’attention global de la classe à partir
d’analyse vidéo en temps réel (Raca et al., 2014, cité dans Dillenbourg, 2016), pour la reconnaissance
faciale ou bien le suivi oculaire (Timms, 2016), ou la classification des émotions (Lameras et Arnab, 2021).
En résumé, le rôle de l’IA envers les apprenants dans le domaine de l’IAED a principalement été celui de
tuteur intelligent pour la personnalisation des apprentissages et la rétroaction rapide lors de la résolution
d’un problème. Le domaine consacre de plus en plus d’intérêt aux aspects relationnels et émotifs et tend
à étendre la modélisation des apprenants au-delà des aspects cognitifs, ce qui est notamment rendu
possible par la multiplication des sources de données.
RÔLE DE L’IA EN LIEN AVEC LES SAVOIRS
Les principaux rôles de l’IA en lien avec les savoirs sont la modélisation des connaissances et la
transmission de connaissances qui passe généralement par la production de ressources didactiques.
Premièrement, la modélisation des connaissances est mentionnée dans 19 des 47 documents du corpus,
soit un peu moins que la modélisation des apprenants (25 documents). La modélisation des connaissances
peut se faire via la création de réseaux sémantiques (Halff, 1986) permettant de relier des concepts entre
eux, ou bien en extrapolant ou en inférant des relations à partir d’une base de connaissances (p. ex.
Carbonell, 1970). C’est à partir de cette modélisation que les systèmes d’IAED peuvent prendre des
décisions pédagogiques sans qu’elles aient été programmées explicitement (Wenger, 1986).
Deuxièmement, cette modélisation des connaissances faite ou supportée par l’IA permet ensuite la
transmission des connaissances vers les apprenants. Plus précisément, le rôle de l’IA peut être de choisir
les connaissances à transmettre (Brusilovsky et Peylo, 2003) ou de démontrer la façon d’appliquer une
technique (Stubbs et Piddock, 1985). Plusieurs documents évoquent la transmission de connaissances
indirectement, par exemple Ye et al. (2021) en référant à la machine à apprendre de Skinner, ou bien des
systèmes capables de répondre à des questions de contenus posées par les apprenants (Jonassen, 2011;
Stubbs et Piddock, 1985). Trois articles, tous des années 1980, réfèrent à une approche de type « Drill &
practice » (Crovello, 1985; Kann, 1983; Stubbs et Piddock, 1985). Les systèmes d’IA peuvent aussi être
revue-mediations.teluq.ca N
o
16, automne 2023
20
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
12
utilisés pour produire ou enrichir des ressources didactiques. Cela peut consister à produire du matériel
pour répondre à des caractéristiques particulières d’un élève (du Boulay, 2021; Porayska-Pomsta, 2016),
à traduire du matériel, à générer des sous-titres automatiquement (Khandelwal, 2021) ou bien à résumer
du contenu (Malik et al., 2019).
RÔLE DE L’IA AUPRÈS DE LA CLASSE
Plusieurs documents récents attribuent à l’IA un rôle en lien avec la gestion de la classe. Ces rôles sont
de deux ordres, soit le soutien au travail collaboratif ou bien la modélisation des espaces d’apprentissage.
Premièrement, les systèmes d’IA peuvent servir à soutenir la collaboration entre apprenants en structurant
les discussions de façon à maximiser leur potentiel (Lameras et Arnab, 2021) ou bien en calculant des
indicateurs d’engagement dans un projet collaboratif. Par exemple, Lajoie (2021) rapporte l’utilisation d’un
système de discussions en ligne dans lequel les contributions des apprenants sont analysées et mises en
relation avec celles des autres apprenants. Dillenbourg (2016, en s'appuyant sur Bachour et al., 2010)
rapporte l’utilisation d’une table avec des voyants lumineux servant d’indicateurs de temps de parole utilisé
par les personnes. L’IA peut aussi avoir pour fonction d’alimenter les interactions entre l’enseignant et les
apprenants. Les Open Learner Models permettent aussi de remplir cette fonction étant donné qu’ils
fournissent de l’information sur l’apprentissage et les apprenants (Kay et al., 2022).
Deuxièmement, en lien avec la classe, l’IA pourrait avoir de plus en plus pour fonction de modéliser les
espaces physiques d’apprentissage :
[…] while AIED initially aimed at modelling the contents and the learner, a challenge for the future
of AIED is to model educational spaces, i.e. the physical space and the diverse actors who inhabit
this space, in order to make education more effective. We conceptualised this evolution by defining
a third circle of usability (Dillenbourg et al., 2011), where the user is not an individual (first circle)
or a team (second circle) but the entire classroom is viewed as a physical and sociological system.
(Dillenbourg, 2016, p. 548)
Modéliser la classe revient à dépasser la personnalisation des apprentissages sur une base purement
individuelle et à intégrer, comme le souligne Dillenbourg, des connaissances relatives au groupe et à son
fonctionnement.
En résumé, le rôle de l’IA auprès de la classe est peu abordé dans le corpus. Néanmoins, il semble que
le rôle de l’IA auprès de la classe se développe davantage dans le domaine de l’IAED aujourd’hui qu’à ses
débuts (26 des 34 passages codés dans cette catégorie proviennent de documents publiés après 2010),
ce qui est cohérent avec l’intérêt grandissant envers les aspects relationnels et affectifs présentés dans la
section sur le rôle de l’IA envers les apprenants. Ce rôle peut toucher à la structuration des échanges ou
à la modélisation des espaces d’apprentissage autant physiques que numériques (Dillenbourg, 2016).
revue-mediations.teluq.ca N
o
16, automne 2023
21
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
13
Rôle de l’enseignant
RÔLE DE L’ENSEIGNANT AUPRÈS DE L’IA
Le rôle de l’enseignant auprès de l’IA est assez peu abordé dans le corpus (47 passages répartis dans
18 documents). Lorsqu’il l’est, c’est essentiellement à deux égards : soit à titre d’utilisateur passif des
systèmes, soit à titre d’utilisateur actif invité à paramétrer un système ou à saisir des données.
À titre d’utilisateur passif des systèmes d’IAED, l’enseignant peut être amené en premier lieu à interpréter
des informations fournies par l’IA : « teachers need to understand the results of intelligent analysis based
on teaching situations and pedagogical theories, compare the gap between students’ achievements,
identify students learning needs, predict risks at academic failure, and even discovering new rules for
AIEd » (Liu et Li, 2022, p. 39). Ce rôle peut être plus ou moins rempli selon le niveau de littératie des
données de l’enseignant (Howard et al., 2022). À ce titre, même une utilisation passive peut impliquer que
les enseignants aient à développer des connaissances pour intégrer l’utilisation de l’IA dans leur pratique
d’enseignement (Liu et Li, 2022; Pinkwart, 2016).
À titre d’utilisateur actif, l’enseignant peut être amené à contribuer à produire ces données. Bull et Kay
(2016) affirment que le modèle de l’apprenant peut être soit contrôlé entièrement par le système, soit
contrôlé conjointement par l’enseignant et le système. Ainsi, en plus d’interpréter des données,
l’enseignant pourrait être lui-même amené à en saisir ou à en modifier pour complexifier ou corriger le
modèle de l’apprenant (Bull et Kay, 2016), notamment des informations relatives aux comportements qui
échapperaient aux traces numériques (Celik et al., 2022). Selon Liu et Li (2022), les enseignants ont
également une responsabilité éthique vis-à-vis de l’IA : « Teachers need to have the correct value
judgment in deploying intelligent technology to promote students’ learning and well-beings, understand the
potential risks of AIEd, and handle the ethical issues in a prudent and responsible manner » (p. 37).
RÔLE DE L’ENSEIGNANT AUPRÈS DES APPRENANTS
Dans le domaine de l’IAED, le rôle de l’enseignant auprès des apprenants est peu discuté et lorsqu’il l’est,
c’est souvent pour illustrer l’écart entre ce que font les systèmes d’IAED et tout ce qu’il resterait à faire
pour imiter, voire remplacer l’enseignant. Les principaux rôles de l’enseignant auprès des apprenants sont
le soutien à la motivation, le diagnostic précis des embûches à la compréhension et la connaissance des
apprenants.
Premièrement, l’enseignant est présenté comme un acteur essentiel pour soutenir la motivation des
apprenants. Liu et Li (2022) évoquent que le travail émotionnel de l’enseignant est essentiel pour créer
une atmosphère positive encourageant le plaisir d’apprendre et le dépassement de soi. Pour construire
cette atmosphère, Timms (2016) évoque l’importance que l’enseignant démontre un intérêt réel et
personnel envers les apprenants au-delà de la matière à apprendre.
Deuxièmement, plusieurs auteurs ont aussi évoqué le rôle de l’enseignant pour identifier des embûches à
l’apprentissage dans des situations complexes ou avec de l’information fragmentaire, désordonnée et
partielle (Les et al., 1999), idée évoquée aussi par (Carbonell, 1970) : « Human teachers sometimes try to
understand the nature of their students' confusions and problems, but at least as often, they go into
explanatory and remedial sequences without a full understanding of the reasons for the students' errors »
(p. 198-199). Du Boulay (2021) souligne l’importance de l’enseignant pour le soutien à la métacognition
afin de consolider les apprentissages.
revue-mediations.teluq.ca N
o
16, automne 2023
22
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
14
Finalement, pour accomplir ces rôles de soutien à la motivation et d’identification des embûches, les
enseignants doivent connaître les apprenants et entretenir des représentations mentales à leur égard
(Goodyear et al., 1989). Cet aspect est nommé par plusieurs auteurs depuis les débuts du domaine, p. ex.
Crovello (1985) évoquant que l’enseignant doit détenir des connaissances à propos de chaque apprenant
en particulier. Cumming et al. (1997) évoquent des connaissances cognitives, affectives et sociales,
certaines dynamiques qui changent selon les situations et d’autres qui s’inscrivent dans la durée (p. ex.
des traits de personnalité des apprenants). Kay et al. (2022) parlent du « model of the learner in the mind
of the teacher » et du « model of a set of learners » (p. 5).
En résumé, le rôle de l’enseignant auprès des apprenants est essentiellement de l’ordre relationnel, et
c’est à partir de cette base que sont réalisées les tâches en lien avec le soutien aux apprentissages.
RÔLE DE L’ENSEIGNANT EN LIEN AVEC LES SAVOIRS
Le rôle de l’enseignant en lien avec les savoirs le plus abordé est la planification de l’enseignement. Ahmad
et al. (2022) parlent du développement de curriculum ou de la création des plans de cours, Liu et Li (2022)
considèrent même que « human teachers play irreplaceable roles in curriculum and creative professional
practice compared with AI teachers » (p. 35). Les enseignants sont amenés à créer des ressources vidéo,
à préparer des cours magistraux (Khandelwal, 2021) et à développer des ressources à l’aide d’outils
d’IAED (Yuskovych-Zhukovska et al., 2022). Les enseignants sont également responsables de la
transmission de connaissances et du pilotage en temps réel d’activités d’apprentissage élaborées, aspect
qui était jusqu’à récemment négligé dans le domaine de l’IAED selon Dillenbourg (2016) : « The role of
teacher during runtime did not receive much attention for two decades, but this changed a lot over the last
decade, with the growing interest for the orchestration of computer-enhanced learning activities » (p. 555).
RÔLE DE L’ENSEIGNANT EN LIEN AVEC LA CLASSE
Quelques passages relatifs aux apprenants décrivaient le travail de l’enseignant en lien avec un groupe
plutôt qu’avec des individus. L’enseignant entre en relation avec un groupe en faisant appel à des
compétences de communication qui ne sont pas nécessairement spécifiques à l’enseignement :
While there are some specialized tactics that human teachers apply effectively, good teaching
derives from the conversational and social interactive skills used in everyday settings such as
listening, eliciting, intriguing, motivating, cajoling, explaining, arguing, persuading, enthralling,
leading, pleading and so on. (du Boulay et Luckin, 2016, p. 396)
Dans le même sens, Porayska-Pomsta (2016) évoque la nécessité d’une « agile adaptation » (p. 685)
aussi décrite comme « teacher immediacy » par Walker et Ogan (2016, p. 716-717), laquelle comprend
des gestes spontanés comme le sourire, le contact visuel, la gesticulation ou bien l’emploi de références
communes.
Remplacement de l’enseignant
Étant donné que cette recension des écrits trouve sa pertinence dans les craintes, fondées ou non, à l’effet
que l’IA pourrait remplacer l’enseignant, il nous est apparu utile de coder les passages du corpus qui
discutaient précisément de cette idée.
revue-mediations.teluq.ca N
o
16, automne 2023
23
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
15
Les mentions en lien avec l’idée de remplacement sont en général très courtes, par exemple Robertson
(1976) qui affirme que « the idea is that such systems may make conventional teaching methods more
effective, not that they should replace them » (p. 437). À l’inverse, Brusilovsky et Peylo (2003) affirment,
en parlant du domaine de l’instruction assistée par ordinateur, que ces systèmes « were intended to
replace all or part of traditional classroom instruction » (p. 163). Colbourn (1985, p. 521) affirme que dans
certains cas le système se comporte comme un enseignant, mais que dans la plupart des cas, il agit
comme un tuteur pour accompagner l’apprenant dans la découverte d’informations ou de lois pour lui-
même. Dede et al. (1985) se prononcent plus directement en parlant du « potential for direct substitution
of teacher activities » (p. 89) et en se demandant si l’avenir du domaine sera marqué par une intention
d’automatisation ou d’accompagnement des activités de l’enseignant. Kann (1983) affirme que les
programmes développés en IAED tentent de reproduire les caractéristiques des meilleurs enseignants,
par exemple s’engager dans une communication bidirectionnelle avec l’apprenant et tenir compte de son
intérêt pour poursuivre ou non certains apprentissages. Plus récemment, Edwards et Cheok (2018) parlent
de l’IAED comme d’une solution pour pallier la pénurie de main-d’œuvre dans le domaine. Malgré de telles
formulations qui affichent l’intention de remplacer l’enseignant dans certaines de ses activités, Dillenbourg
(2016) affirme : « despite a few discording voices ("neo-Illich" gurus), educational technology researchers
have never believed that their technology would suppress the need for teachers in formal education »
(p. 555). Selon lui, toutefois, la place des enseignants a été peu étudiée dans les systèmes développés
dans le domaine de l’IAED. Humble et Mozelius (2019) posent directement la question : l’objectif de l’IAED
est-il de soutenir l’enseignant ou de le remplacer?
Plusieurs auteurs évoquent la transformation du rôle de l’enseignant, celui-ci étant amené à intervenir
davantage sur le plan du pilotage des activités à haut niveau (du Boulay, 2021). Le temps passé auprès
des élèves et son rôle pourraient aussi être amenés à changer (du Boulay, 2021). Ils peuvent aussi passer
du temps à participer au codesign des systèmes d’IAED (Porayska-Pomsta, 2016). Selon Yuskovych-
Zhukovska et al. (2022),
[…] AI is consistently and confidently changing the role of teachers. AI can perform tasks such as
assessment, can help learners improve learning, and can even replace real learning. AI systems
can be a source of expertise to which students can direct their questions, or even take the
teachers’ place for the basic materials of the course. However, in most cases, AI will only change
the role of the teacher to the role of facilitator. (p. 350)
En résumé, l’idée de remplacement de l’enseignant ne semble jamais avoir été approfondie dans le
domaine de l’IAED. Lorsqu’elle est discutée, c’est surtout de façon périphérique pour affirmer que cela
n’est pas possible avec des contradictions sur le plan de la finalité poursuivie (remplacer l’enseignant ou
non). Quelques auteurs développent tout de même l’idée de transformation du rôle de l’enseignant dans
le contexte où l’IAED se développe de façon accélérée.
Discussion
Il ressort de l’analyse des résultats que les rôles attribués à l’IA dans le domaine de l’IAED sont des rôles
qui relèvent normalement de l’enseignant. Ainsi, même si l’expression remplacement de l’enseignant
apporte un lot de craintes et que cet objectif est, pour l’heure, inatteignable, il demeure qu’il semble s’agir
d’une des ambitions scientifiques du domaine – ambition d’autant plus difficile à déceler que le contraire
est parfois énoncé. Cela transparait dans les propos de plusieurs auteurs qui cherchent notamment à
modéliser au mieux le rôle de l’enseignant, incluant son travail émotionnel et en lien avec la gestion des
interactions sociales, pour mieux concevoir les systèmes d’IAED. Face à ce constat et face au manque de
revue-mediations.teluq.ca N
o
16, automne 2023
24
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
16
développement des réflexions relatives à la transformation du rôle de l’enseignant dans le contexte où
l’IAED est de plus en plus complexe et répandue, il nous apparait essentiel que les systèmes éducatifs
clarifient les interactions souhaitées entre les différents acteurs que sont l’IA, l’enseignant et l’apprenant.
À défaut de quoi il y a un risque que de nouvelles actions nécessaires à la régulation des apprentissages
ne soient posées ni par l’IA ni par l’enseignant, et que des actions informelles qui étaient jusqu’à présent
posées par l’enseignant soient abandonnées par la délégation progressive à des systèmes d’IAED.
Quelques auteurs ont proposé d’employer un triangle enseignant-apprenant-IA pour conceptualiser les
rôles et leurs interactions, à commencer par Cumming et al. (1997). Selon du Boulay (2021), l’étude des
interactions entre ces trois composantes a conduit à prendre la réelle mesure de l’importance de
l’enseignant dans l’environnement éducatif. Humble et Mozelius (2019), en s’appuyant sur plusieurs
sources, évoquent un problème de valeurs qui peut potentiellement entraver le bon déploiement de l’IAED,
par exemple lorsque les valeurs qui soutiennent le développement d’une IA forte sont désalignées de
celles des personnes qui doivent l’utiliser et, à cet égard, évoquent l’importance de « human-compatible
AI » (p. 2). Celik et al. (2022) ont proposé une boucle d’interactions entre enseignants et IA dans laquelle
les enseignants établissent des critères d’évaluation, révisent les décisions de l’IA, documentent les
problèmes techniques, alimentent les systèmes en données sur les apprenants, et l’IA réalise des
évaluations, suit la progression des étudiants et alimente l’enseignant pour sa planification. Comme la
recension a fait émergé des relations entre IA, enseignants, apprenants et savoirs, nous proposons aussi
de conceptualiser ces interactions à partir du triangle didactique de Houssaye (1988), largement mobilisé
dans le domaine de l’éducation.
Le triangle didactique a déjà été revisité plusieurs fois pour intégrer les TIC ou l’ordinateur, mais jamais à
notre connaissance pour y intégrer spécifiquement l’IA. Faerber (2003) a été le premier, à notre
connaissance, à proposer une actualisation du triangle didactique en intégrant un pôle technologique.
Essentiellement, il part du constat que les relations identifiées par Houssaye (1988) sont modifiées lorsque
l’enseignement-apprentissage s’opère par le biais d’un environnement virtuel : « l’environnement virtuel
d’apprentissage est un intermédiaire à la fois fonctionnel, matériel, logiciel entre les pôles » (p. 202). Selon
Yassine (2010), le rôle de l’ordinateur dans le triangle didactique dépend de l’usage qui en est fait. Il peut
agir comme « ordinateur enseigné », dans ce cas c’est l’élève qui programme l’ordinateur, comme cela
était déjà le cas dans le cadre des études de Papert avec l’environnement d’apprentissage LOGO. Il peut
aussi être « tuteur », c’est-à-dire qu’il amène les apprenants « à suivre un nombre d’étapes où essais et
erreurs se succèdent pour [les] aider à reconnaître leurs lacunes et acquérir des savoirs sans l’intervention
de l’enseignant » (par. 4.1.2). Et il peut aussi être « outil », c’est-à-dire instrumentalisé par l’enseignant
comme appui à certains apprentissages, par exemple pour présenter de l’information. Selon ces
différentes façons d’envisager l’ordinateur, son rôle est plus ou moins actif dans le triangle didactique.
Nous proposons que l’IA, telle qu’elle est conceptualisée aujourd’hui, et en continuité avec la recherche
dans le domaine de l’IAED, vise à occuper un rôle de plus en plus actif à l’intérieur même du triangle
didactique. D’ailleurs, nous avons observé un glissement progressif entre les écrits du début du domaine
et ceux d’aujourd’hui, les premiers parlant davantage de systèmes d’IA ou de logiciels utilisant l’IA, alors
que les derniers parlent de façon plus générale de « l’intelligence artificielle », donnant presque
l’impression d’une personnification. L’IA est de moins en moins envisagée comme passive et instrumentale
étant donné la complexité des décisions qu’elle peut prendre. Ceci, d’ailleurs, fait écho à une distinction
de Wenger (1986) entre le Computer-aided instruction (CAI) et l’IAED : les systèmes développés dans le
domaine de l’IAED peuvent prendre des décisions pédagogiques sans avoir été spécifiquement
programmés pour cela, contrairement à ceux développés dans le domaine du CAI.
revue-mediations.teluq.ca N
o
16, automne 2023
25
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
17
Le triangle didactique a aussi été revisité par Lombard (2007) pour développer le tétraèdre des TIC. Selon
Lombard, « le maître en classe est très souvent ignoré ou son rôle minimisé » (par. 30). Selon lui, plusieurs
technologies éducatives, comme des jeux éducatifs, sont souvent conçus sans égard au rôle de
l’enseignant et plutôt dans la perspective de faire à sa place quelque chose qui lui revient normalement.
Dans ce cas, les usages sont de l’ordre de « l’alternance [entre le professeur] et le dispositif cyber-prof »
(par. 37) et ne relèvent pas de l’intégration pédagogique. Même s’il n’est pas question spécifiquement
d’outils d’IAED, la même réflexion peut se poser pour ces derniers : est-ce qu’il devrait simplement y avoir
alternance entre l’enseignement dispensé par l’enseignant et celui dispensé par l’IA, ou bien devrait-il y
avoir intégration pédagogique de l’IA par l’enseignant? Une absence de réflexion sur les interactions
souhaitées entre un dispositif technologique et l’enseignant peut conduire à « des conflits sournois » (par.
45), par exemple la diminution de la qualité de la relation pédagogique, voire son abandon par l’introduction
d’un intermédiaire. Sur la collaboration enseignants-dispositif, Lombard affirme que « les – plutôt rares –
usages des technologies où une collaboration efficace s’établit entre les 2 pôles pédagogiques que nous
avons pu observer, semblent majoritairement des usages où le [dispositif] joue un rôle très peu intrusif sur
le plan de la relation pédagogique » (p. 23).
Nous proposons donc de réemployer le tétraèdre des TIC en éducation de Faerber (2003) et rediscuté par
Lombard (2007) pour interroger la nouvelle réalité qui se pose par la permutation grandissante de l’IA dans
la situation éducative. À la différence de Lombard (2007), nous proposons que le tétraèdre ne devrait pas,
ou plus, s’emmêler à étudier de la même façon les usages de l’ordinateur où celui-ci est instrumentalisé
par l’enseignant ou l’apprenant, et ceux où une IA transforme activement la situation d’apprentissage. À
tout le moins, de tels usages seraient mieux étudiés sur les arêtes du tétraèdre pour la médiation qu’ils
opèrent sur les acteurs ou entre eux, mais ne devraient pas occuper un sommet à part entière. D’ailleurs,
Faerber (2003) disait explicitement « [ne pas avoir conféré à l’environnement virtuel] un statut de pôle au
même titre que l’apprenant ou le savoir » (p. 202). Intégrer explicitement l’IA sur le sommet du tétraèdre
dévolu à ce que Lombart appelle le « Dispositif Cyber-prof » permet de poser de nouvelles questions de
recherche qui n’ont traditionnellement pas fait partie du domaine de l’IAED. Ces questions, qui touchent
directement à l’idée d’interaction entre enseignants et IA, et à l’idée confrontante de remplacer les
enseignants par une machine, doivent être posées et étudiées pour que des réponses satisfaisantes
orientent les efforts des enseignants et plus généralement des systèmes éducatifs. L’enseignant ne devrait
pas continuer à faire ce qu’une IA fait mieux, et l’IA ne devrait pas être utilisée pour faire ce qu’on ne
comprend pas encore du rôle de l’enseignant.
La Figure 5 présente des questions qui, selon nous, devraient alimenter la conception des systèmes
d’IAED de même que la recherche dans le domaine. Un tel positionnement invite aussi à ne plus envisager
les systèmes d’IAED comme des outils d’aide à l’enseignement et l’apprentissage, mais comme des
acteurs à part entière dans le processus, changement qui est selon nous essentiel au regard des avancées
dans le domaine et pour préparer celles à venir.
revue-mediations.teluq.ca N
o
16, automne 2023
26
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
18
Figure 5
Proposition de cadre de réflexion sur les interactions IA-enseignant-apprenant basée sur le tétraèdre des
TIC en éducation de Faerber (2003)
Limites
Malgré nos efforts pour inclure un maximum de documents en cherchant dans plusieurs bases de données
et en intégrant des références croisées, il est possible que certains documents pertinents, notamment les
ceux non indexés dans des bases de données numériques, n’aient pas été trouvés. La codification des
documents a été réalisée par un seul des auteurs, mais la grille a été ajustée par les chercheurs lors de
rencontres de travail pendant le processus d’analyse. Soulignons finalement que, comme les articles sont
principalement théoriques, les rôles de l’IA et de l’enseignant sont d’abord des rôles anticipés plus que
des rôles constatés.
Conclusion
Cette recension des écrits s’est appuyée sur un corpus de 48 documents évoquant le rôle de l’enseignant
dans le domaine de l’IAED. Par une analyse inductive, elle a permis de faire émerger les relations entre
enseignant, apprenant, IA et savoirs telles qu’elles sont véhiculées dans le domaine. Il en ressort
principalement que le rôle de l’enseignant et celui de l’apprenant sont peu abordés dans le domaine en
comparaison avec celui de l’IA. Malgré des affirmations répétées selon lesquelles l’IA ne vise pas à
remplacer l’enseignant, les actions qui lui sont déléguées tendent à montrer que les objectifs sont
d’automatiser des tâches qui reviennent normalement à l’enseignant (p. ex. évaluer les apprenants,
soutenir la motivation, fournir de la rétroaction précise), même si cette ambition n’est pas atteignable dans
un horizon prévisible. Vu les avancées dans le domaine de l’IA et la complexité grandissante des tâches
pouvant être automatisées, il semble essentiel de mieux conceptualiser les rôles afin de s’assurer que des
revue-mediations.teluq.ca N
o
16, automne 2023
27
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
19
tâches essentielles des enseignants qui sont modélisées de façon incomplète ne soient pas abandonnées
à l’IA (p. ex. les actions informelles qui revêtent tout de même une importance). De même, vu les avancées
dans le domaine de la détection des émotions, voire du monitoring des activités en classe, il apparait
essentiel d’étudier davantage les effets du remplacement de l’enseignant par une IA non seulement sur
les aspects cognitifs, mais aussi comportementaux et affectifs. Nous avons proposé, à partir d’une
adaptation du triangle didactique de Houssaye (1988) et du tétraèdre des TIC de Faerber (2003), des
questions pouvant guider la recherche et la conception dans le domaine de l’IAED en tenant compte des
rôles de l’apprenant, de l’enseignant et de l’IA.
Remerciements
Merci à Didier Paquelin, professeur à l'Université Laval, pour son regard sur le triangle didactique.
Cette recherche a été financée par une bourse doctorale du Conseil de recherches en sciences humaines
du Canada.
Liste des références
1
*Ahmad, S. F., Alam, M. M., Rahmat, M. K., Mubarik, M. S., et Hyder, S. I. (2022). Academic and Administrative Role of
Artificial Intelligence in Education. Sustainability, 14(3), 1101. https://doi.org/10.3390/su14031101
Baker, R. S. (2016). Stupid tutoring systems, intelligent humans. International Journal of Artificial Intelligence in Education,
26(2), 600-614.
*Brown, J. S. (1977). Uses of artificial intelligence and advanced computer technology in education. Dans J. Seidel et
L. Rubin (dir.), Computers and Communications: Implications for Education. Academic Press.
*Brusilovsky, P., et Peylo, C. (2003). Adaptive and Intelligent Web-based Educational Systems. International Journal of
Artificial Intelligence in Education, 13, 156-159.
Bulger, M. (2016). Personalized Learning: The Conversations We’re Not Having. Data & Society, 29.
*Bull, S., et Kay, J. (2016). SMILI☺: A Framework for Interfaces to Learning Data in Open Learner Models, Learning
Analytics and Related Fields. International Journal of Artificial Intelligence in Education, 26(1), 293-331.
https://doi.org/10.1007/s40593-015-0090-8
Burton, R. R., et Brown, J. S. (1982). An investigation of computer coaching for informal learning activities. Dans
D. Sleeman et J. S. Brown, Intelligent tutoring systems (p. 79-98). Academic Press.
*Carbonell, J. (1970). AI in CAI: An Artificial-Intelligence Approach to Computer-Assisted Instruction. IEEE Transactions on
Man Machine Systems, 11(4), 190-202. https://doi.org/10.1109/TMMS.1970.299942
*Celik, I., Dindar, M., Muukkonen, H., et Järvelä, S. (2022). The Promises and Challenges of Artificial Intelligence for
Teachers: A Systematic Review of Research. TechTrends, 66(4), 616-630.
https://doi.org/10.1007/s11528-022-00715-y
*Colbourn, M. J. (1985). Applications of artificial intelligence within education. Computers & Mathematics with Applications,
11(5), 517-526. https://doi.org/10.1016/0898-1221(85)90054-9
Corbin, J. M., et Strauss, A. L. (2015). Basics of qualitative research: Techniques and procedures for developing grounded
theory (4
e
éd.). SAGE.
1
Les documents faisant partie du corpus sont marqués d’un astérisque.
revue-mediations.teluq.ca N
o
16, automne 2023
28
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
20
*Cox, R., et Brna, P. (2016). Twenty Years on: Reflections on “Supporting the Use of External Representations in Problem
Solving” International Journal of Artificial Intelligence in Education, 26(1), 193-204. https://doi.org/10.1007/s40593-
015-0054-z
*Crovello, T. J. (1985). Computers, education and artificial intelligence. ACM ’85: Proceedings of the 1985 ACM annual
conference on The range of computing: mid-80’s perspective: mid-80’s perspective.
*Cumming, G., Cropp, S., et McDougall, A. (1997). Learner Modelling: Lessons from Expert Human Teachers. Dans B.
du Boulay et R. Mizoguchi (dir.), Proceedings of the 8th World Conference on Artificial Intelligence in Education—
Knowledge and Media in Learning Systems (AI-ED 97) (p. 577-579). IOS Press.
*Dede, C. J., Zodhiates, P. P., et Thompson, C. L. (1985). Intelligent Computer-Assisted Instruction: A Review and
Assessment of ICAI Research and Its Potential for Education. Educational Technology Center.
*Dillenbourg, P. (2016). The Evolution of Research on Digital Education. International Journal of Artificial Intelligence in
Education, 26(2), 544-560. https://doi.org/10.1007/s40593-016-0106-z
*du Boulay, B. (2021). Jim Greer’s and Mary Mark’s Reviews of Evaluation Methods for Adaptive Systems: A Brief
Comment about New Goals. International Journal of Artificial Intelligence in Education, 31(3), 622-635.
https://doi.org/10.1007/s40593-020-00198-z
*du Boulay, B., et Luckin, R. (2016). Modelling Human Teaching Tactics and Strategies for Tutoring Systems: 14 Years On.
International Journal of Artificial Intelligence in Education, 26(1), 393-404.
https://doi.org/10.1007/s40593-015-0053-0
*Edwards, B. I., et Cheok, A. D. (2018). Why Not Robot Teachers: Artificial Intelligence for Addressing Teacher Shortage.
Applied Artificial Intelligence, 32(4), 345-360. https://doi.org/10.1080/08839514.2018.1464286
Faerber, R. (2003). Groupements, processus pédagogiques et quelques contraintes liés à un environnement virtuel
d’apprentissage. Environnements informatiques pour l’apprentissage humain, 200-210.
*Goodyear, P., Oosthoek, H., et Vroeijenstijn, T. (1989). Experts systems and intelligent tutoring—Some issues in the
engineering of pedagogic knowledge. Dans Higher Education and New Technologies (p. 45-51). Pergamon.
*Halff, H. M. (1986). Instructional Applications of Artificial Intelligence. Educational Leadership: Journal of the Department
of Supervision and Curriculum Development, 24-31.
Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Shum, S. B., Santos, O. C., Rodrigo, M. T.,
Cukurova, M., Bittencourt, I. I., et Koedinger, K. R. (2021). Ethics of AI in Education: Towards a Community-Wide
Framework. International Journal of Artificial Intelligence in Education. https://doi.org/10.1007/s40593-021-00239-1
Houssaye, J. (1988). Le triangle pédagogique. Peter Lang.
*Howard, S. K., Swist, T., Gasevic, D., Bartimote, K., Knight, S., Gulson, K., Apps, T., Peloche, J., Hutchinson, N., et
Selwyn, N. (2022). Educational data journeys: Where are we going, what are we taking and making for AI?
Computers and Education: Artificial Intelligence, 3, 100073. https://doi.org/10.1016/j.caeai.2022.100073
*Humble, N., et Mozelius, P. (2019). Artificial Intelligence in Education—A Promise, a Threat, or a Hype? Proceedings of
the European Conference on the Impact of Artificial Intelligence and Robotics, 149-156, Oxford, Royaume-Uni.
*Humble, N., et Mozelius, P. (2019). Teacher-supported AI or AI-supported teachers? Proceedings of the European
Conference on the Impact of Artificial Intelligence and Robotics, Oxford, Royaume-Uni.
*Jonassen, D. H. (2011). Ask Systems: Interrogative access to multiple ways of thinking. Educational Technology
Research and Development, 59(1), 159-175. https://doi.org/10.1007/s11423-010-9179-9
*Kann, L. (1983). Artificial intelligence and its implications for education. Canadian journal of educational communication,
12(3).
*Kay, J., Bartimote, K., Kitto, K., Kummerfeld, B., Liu, D., et Reimann, P. (2022). Enhancing learning by Open Learner
Model (OLM) driven data design. Computers and Education: Artificial Intelligence, 3, 100069.
https://doi.org/10.1016/j.caeai.2022.100069
*Khan, M. A., Khojah, M., et Vivek. (2022). Artificial Intelligence and Big Data: The Advent of New Pedagogy in the
Adaptive E-Learning System in the Higher Educational Institutions of Saudi Arabia. Education Research
International, 2022, 1-10. https://doi.org/10.1155/2022/1263555
*Khandelwal, K. (2021). Application of AI to Education during the Global Crisis. Review of international geographical
education, 7, 3204
-
3212. https://rigeo.org/menu-script/index.php/rigeo/article/view/2583
revue-mediations.teluq.ca N
o
16, automne 2023
29
Revue internationale sur le numérique en éducation et communication
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons 4.0 International.
© Auteurs. Cette œuvre est distribuée sous licence Creative Commons Attribution 4.0 International
revue-mediations.teluq.ca | N
o
16, 2023
21
*Kim, Y., et Baylor, A. L. (2016). Research-Based Design of Pedagogical Agent Roles: A Review, Progress, and
Recommendations. International Journal of Artificial Intelligence in Education, 26(1), 160-169.
https://doi.org/10.1007/s40593-015-0055-y
Koehler, M. J., et Mishra, P. (2009). What Is Technological Pedagogical Content Knowledge? Contemporary Issues in
Technology and Teacher Education, 9(1), 11.
*Lajoie, S. P. (2021). Student Modeling for Individuals and Groups: The BioWorld and HOWARD Platforms. International
Journal of Artificial Intelligence in Education, 31(3), 460-475. https://doi.org/10.1007/s40593-020-00219-x
*Lameras, P., et Arnab, S. (2021). Power to the Teachers: An Exploratory Review on Artificial Intelligence in Education.
Information, 13(1), 14. https://doi.org/10.3390/info13010014
*Lelouche, R. (2000). The various benefits of education from computers: An integrative review. Proceedings International
Workshop on Advanced Learning Technologies. IWALT 2000. Advanced Learning Technology: Design and
Development Issues, 7-7. https://doi.org/10.1109/IWALT.2000.890550
*Les, J., Cumming, G., et Finch, S. (1999). Agent systems for diversity in human learning. Dans S. P. Lajoie et M. Vivet
(dir.), Artificial intelligence in education—Open Learning Environments: New Computational Technologies to
Support Learning, Exploration and Collaboration (p. 13-20).
*Liu, X., et Li, Y. (2022). Redefining Teacher Qualification in the Artificial Intelligence Era: A Professional Capital
Perspective. Proceedings of the 5th International Conference on Big Data and Education, 35-39.
https://doi.org/10.1145/3524383.3524405
Lombard, F. (2007). Du triangle de Houssaye au tétraèdre des TIC : comprendre les interactions entre les savoirs
d’expérience et ceux de recherche. Dans B. Charlier et D. Peraya (dir.), Transformation des regards sur la
recherche en technologie de l’éducation (p. 137-154). De Boeck Supérieur; Cairn.info.
https://doi.org/10.3917/dbu.charl.2007.01.0137
*Malik, G., Tayal, D. K., et Vij, S. (2019). An Analysis of the Role of Artificial Intelligence in Education and Teaching. Dans
P. K. Sa, S. Bakshi, I. K. Hatzilygeroudis, et M. N. Sahoo (dir.), Recent Findings in Intelligent Computing
Techniques (Vol. 707, p. 407-417). Springer Singapore. https://doi.org/10.1007/978-981-10-8639-7_42
Marrhich, A., Lafram, I., Berbiche, N., et El Alami, J. (2021). Teachers’ Roles in Online Environments: How AI Based
Techniques Can Ease the Shift Challenges from Face-to-Face to Distance Learning. International Journal of
Emerging Technologies in Learning (IJET), 16(24), 244-254. https://doi.org/10.3991/ijet.v16i24.26367
*McLaren, B. M., et Scheuer, O. (2010). Supporting Collaborative Learning and E-Discussions Using Artificial Intelligence
Techniques. International Journal of Artificial Intelligence in Education, 20(1).
https://doi.org/10.3233%2FJAI-2010-0001
Minsky, M. (1991). Logical Versus Analogical or Symbolic Versus Connectionist or Neat Versus Scruffy. AI Magazine,
12(2), 34-51.
Mubin, O., Stevens, C. J., Shahid, S., Mahmud, A. A., et Dong, J.-J. (2013). A review of the applicability of robots in
education. Technology for Education and Learning, 1(2013), 1-7.
https://doi.org/10.2316/Journal.209.2013.1.209-0015
*Naughton, J. (1987). Artificial intelligence and education and training. Dans Artificial Intelligence (p. 77-82). Elsevier.
https://doi.org/10.1016/B978-0-08-034112-5.50012-7
*Pervez, S., et Alandjani, G. (2018). 21st Century Educational Requirements and Teaching Strategies for Competing with
the Cyborgs. International E-Journal of Advances in Social Sciences, 4(11), 10.
*Pinkwart, N. (2016). Another 25 Years of AIED? Challenges and Opportunities for Intelligent Educational Technologies of
the Future. International Journal of Artificial Intelligence in Education, 26(2), 771-783.
https://doi.org/10.1007/s40593-016-0099-7
*Porayska-Pomsta, K. (2016). AI as a Methodology for Supporting Educational Praxis and Teacher Metacognition.
International Journal of Artificial Intelligence in Education, 26(2), 679-700.
https://doi.org/10.1007/s40593-016-0101-4
Renz, A., et Vladova, G. (2021). Reinvigorating the Discourse on Human-Centered Artificial Intelligence in Educational
Technologies. Technology Innovation Management Review, 11(5), 5-16. https://doi.org/10.22215/timreview/1438
*Richer, M. H. (1985). Applications of artificial intelligence in education—A personal view. The Physiologist, 28(5), 428-431.