Le coaching scolaire à l'heure de l'IA : ce qui change quand l'explication devient gratuite
Quand l'explication devient disponible à toute heure, souvent sans paiement direct, ce qui manque à un élève n'est plus d'abord l'explication. Ce dossier examine ce que la recherche permet d'en dire, ce qu'elle laisse ouvert, et ce que le Lab FUTUR+ en conclut pour le coaching scolaire.
Une situation de plus en plus fréquente
Inès est en seconde. Un lundi soir, elle bloque sur un exercice de fonctions. En quelques secondes, une IA lui fournit une explication claire, mieux rédigée que ses notes de cours, puis la solution détaillée. Son devoir maison est excellent.
Trois semaines plus tard, au contrôle, elle reste devant la même famille d'exercices sans savoir par où commencer. Ses parents ne comprennent pas : les devoirs sont bons, les notes de contrôle ne suivent pas. Inès non plus ne comprend pas. Elle avait le sentiment d'avoir compris.
Inès est un cas composite, construit à partir de situations que décrivent les enseignants et les familles.
Mais la question qu'elle pose est réelle. Si une machine explique mieux et plus vite qu'un cahier, que reste-t-il à accompagner ?
Le coaching scolaire n'a jamais eu pour objet principal de réexpliquer une matière. Il travaille la manière dont un élève apprend : sa méthode, son organisation, sa motivation, son autonomie. L'IA ne rend pas ce travail inutile. Elle oblige à préciser ce qu'il est.
Ce dossier distingue trois choses : ce que les études établissent, avec leur niveau de preuve ; ce qu'elles ne permettent pas encore d'affirmer ; et la thèse que le Lab FUTUR+ en tire, présentée comme une analyse argumentée, non comme un résultat démontré.
Ce que nous appelons coaching scolaire
Dans ce dossier, le coaching scolaire désigne un accompagnement éducatif individualisé. Il aide un collégien ou un lycéen à construire des méthodes de travail, à organiser son activité, à comprendre ce qui freine son engagement et à gagner en autonomie. Il ne consiste pas à réenseigner une discipline.
Cette définition est un choix de périmètre. Le terme « coaching scolaire » recouvre des pratiques diverses, dont les objectifs et les méthodes ne sont pas standardisés.
Elle a une conséquence de méthode. Les études sur le tutorat disciplinaire, humain ou par IA, ne prouvent rien sur le coaching. Qu'un tuteur IA améliore des résultats en mathématiques ne dit pas qu'il remplace un accompagnement sur la procrastination, la planification ou la confiance. Ces études éclairent seulement les conditions dans lesquelles une aide favorise ou contrarie l'apprentissage : c'est l'usage qu'en fait ce dossier.
Ce que dit la recherche
Chaque affirmation porte son niveau de preuve : A convergent, B solide mais contextualisé, C exploratoire, D proposition du Lab FUTUR+. Les données d'usage et les textes officiels sont signalés comme tels : ils décrivent une situation, ils ne prouvent pas un effet. Les cadres théoriques le sont aussi : ils expliquent un mécanisme, ils n'évaluent pas le coaching.
1. L'explication est devenue abondante, pas gratuite pour autant
Constat descriptif et données déclaratives.
Pendant longtemps, un élève qui ne comprenait pas une notion devait reprendre son cours, interroger un camarade ou attendre qu'un adulte soit disponible. Une IA conversationnelle répond tout de suite. Elle reformule autant de fois qu'on le lui demande, donne un autre exemple, propose un exercice, corrige une réponse, sans jamais manifester d'impatience.
Ces capacités ne garantissent pas la qualité pédagogique de l'aide. Un modèle peut se tromper, mal comprendre la difficulté d'un élève ou produire une explication convaincante mais mal ajustée à son niveau. Un fait est pourtant acquis : obtenir une explication ne dépend plus de la présence d'une personne disponible.
Le mot « gratuit » du titre demande une précision. Il faut un équipement et une connexion ; les fonctions les plus avancées sont souvent payantes ; et les services sans paiement direct peuvent présenter des risques pour la confidentialité et la réutilisation des données. Rendre l'explication accessible n'est donc pas rendre égal l'accès à une aide de qualité.
L'usage, lui, est installé. Une enquête Ipsos BVA pour le Groupe VYV et la CNIL a interrogé en janvier 2026 3 800 jeunes de 11 à 25 ans dans quatre pays, dont 1 000 en France. Dans l'échantillon français, 86 % déclarent utiliser une IA conversationnelle : 66 % des 11-12 ans et 94 % des 17-18 ans. Les usages déclarés sont d'abord scolaires et professionnels. Parmi les 859 répondants français déclarant utiliser l'IA, 27 % disent s'en servir au moins une fois par jour pour l'école, leurs études ou leur activité professionnelle.
Cette proportion n'est donc pas calculée sur l'ensemble des 1 000 jeunes Français interrogés.
Le Baromètre du numérique 2026, réalisé par le Crédoc pour l'Arcep, l'Arcom, le CGE et l'ANCT, va dans le même sens. Parmi les 12-17 ans utilisant l'IA générative, 68 % déclarent s'en servir pour l'aide aux devoirs et l'apprentissage ; la proportion ne porte pas sur l'ensemble des adolescents. L'échantillon de cette tranche d'âge compte 201 répondants avant restriction aux utilisateurs d'IA.
Ces chiffres ont leurs limites. Ce sont des déclarations, pas des observations. L'enquête Ipsos BVA, menée sur panel en ligne, porte d'abord sur la santé mentale, et ses pourcentages mêlent souvent collégiens, lycéens, étudiants et jeunes actifs. Le Baromètre, lui, ne compte que 201 jeunes de 12 à 17 ans. Ils suffisent pourtant à établir l'essentiel : l'IA fait partie de l'environnement ordinaire de la plupart des adolescents.
Le cadre scolaire est plus restrictif que les usages. Le cadre d'usage de l'IA en éducation, publié par le ministère en juin 2025, autorise l'usage pédagogique de l'IA générative à partir de la 4e, en classe et sous la conduite de l'enseignant, puis un usage plus autonome au lycée, dans un cadre d'apprentissage explicite. Un devoir réalisé par IA sans autorisation y est assimilé à une fraude, et la saisie de données personnelles dans des services grand public y est proscrite. Le dossier de rentrée de la catégorie IA éducative détaille ce cadre.
2. Réussir une tâche ne prouve pas qu'on a appris
Niveau A : revue intégrative de nombreux travaux.
La psychologie cognitive distingue depuis longtemps la performance, ce que l'on réussit dans une situation donnée, et l'apprentissage, une modification durable de ce que l'on sait et sait faire. Soderstrom et Bjork (2015) ont montré, dans une revue de nombreux travaux, que la première ne prédit pas toujours le second. Une performance élevée pendant l'entraînement peut ne laisser que peu de traces ; un entraînement difficile peut produire des résultats immédiats modestes et des acquis plus durables.
Avec l'IA, cette distinction devient quotidienne. Face à un exercice réussi avec une aide, trois situations restent possibles : l'élève a compris le raisonnement et saurait le refaire ; il a suivi les étapes sans en saisir la logique ; il a recopié une solution qu'il ne saurait pas reconstruire. Le devoir rendu peut être identique dans les trois cas. Seule une situation sans aide, et un peu plus tard, permet de les distinguer.
3. Avec l'IA, la tâche devient plus facile, sans que les acquis suivent
Niveau B : plusieurs expérimentations concordantes, menées surtout auprès d'étudiants.
Fan et ses collègues ont comparé, en laboratoire, 117 étudiants chinois qui devaient lire des textes, rédiger un essai puis le réviser avec différents appuis : ChatGPT, un expert humain, un outil d'analyse de l'écriture ou aucun appui (British Journal of Educational Technology, 2025). Le groupe ChatGPT a le plus amélioré la note de son essai. Mais ses connaissances acquises et leur transfert à une autre tâche n'étaient pas significativement différents de ceux des autres groupes, et sa motivation non plus.
L'analyse des traces de travail est plus instructive encore. Les étudiants aidés par ChatGPT déployaient moins de processus métacognitifs, comme évaluer leur travail ou s'orienter dans la tâche, que ceux accompagnés par un expert ou par l'outil d'analyse de l'écriture. Les auteurs parlent de « paresse métacognitive » : la tendance à confier à l'outil non seulement la tâche, mais aussi le pilotage de son propre travail. C'est précisément le terrain du coaching.
Stadler, Bannert et Sailer ont réparti au hasard 91 étudiants entre ChatGPT et un moteur de recherche classique pour instruire une question scientifique controversée (Computers in Human Behavior, 2024). Les utilisateurs de ChatGPT ont ressenti un effort mental nettement plus faible. Ils ont aussi produit des recommandations moins bien justifiées et des argumentations de moindre qualité. L'effort économisé n'était pas un effort inutile.
Une expérimentation menée auprès de près de 1 000 lycéens turcs en mathématiques montre le même décalage chez des élèves du secondaire : les progrès obtenus pendant l'entraînement avec un assistant non encadré ne se retrouvaient pas à l'examen sans IA (Bastani et al., 2025). Cette étude est décryptée en détail dans la catégorie IA éducative du Lab FUTUR+.
Ces travaux ont une limite commune : à l'exception du dernier, ils portent sur des étudiants du supérieur. Leur transfert au collège et au lycée est plausible, mais il reste à vérifier.
4. S'appuyer sur l'aide plutôt qu'apprendre d'elle
Niveau B : un essai contrôlé à grande échelle, dans l'enseignement supérieur.
Darvishi et ses collègues ont suivi 1 625 étudiants dans dix cours, sur une plateforme où ils rédigeaient des commentaires sur le travail de leurs pairs avec l'aide d'une IA (Computers & Education, 2024). Les étudiants tendaient à s'appuyer sur l'aide de l'IA plutôt qu'à apprendre d'elle : quand elle était retirée, la qualité de leurs commentaires baissait.
Deux résultats sont moins confortables, et c'est pour cela qu'il faut les citer. Des stratégies d'autorégulation, sous forme de listes de vérification, comblaient une partie du manque, sans égaler l'aide de l'IA. Et l'association des deux, IA et listes de vérification, n'a pas apporté d'amélioration statistiquement significative par rapport à l'IA seule sur les indicateurs étudiés. Cela ne démontre pas que les deux approches soient équivalentes dans tous les contextes. Développer l'autonomie face à l'IA n'est donc pas une affaire de bonne intention : un dispositif hybride mal conçu peut ne rien apporter.
5. La conception de l'aide change ses effets
Synthèse institutionnelle d'études récentes, encore peu nombreuses.
Le rapport Digital Education Outlook 2026 de l'OCDE rassemble ces travaux. Il conclut que les outils d'IA généralistes peuvent améliorer la réussite d'une tâche sans entraîner d'apprentissage, et que l'IA peut soutenir l'apprentissage lorsqu'elle est guidée par des principes pédagogiques clairs. Les tuteurs conçus pour questionner, donner des indices et faire avancer l'élève pas à pas obtiennent des résultats encourageants dans plusieurs essais, décryptés dans la catégorie IA éducative.
Les résultats varient toutefois selon les dispositifs, les publics et les situations. L'OCDE ne conclut ni à une efficacité générale de l'IA éducative, ni à son inefficacité. La ligne de partage la plus solide à ce jour n'oppose pas l'IA à l'humain : elle oppose l'aide qui fait à la place et l'aide qui fait faire.
6. Déléguer n'est pas un problème en soi
Cadre conceptuel : revue théorique, sans démonstration d'efficacité du coaching.
Confier une partie de son travail mental à un support extérieur, une liste, un agenda, une calculatrice, fait partie du fonctionnement normal de l'esprit : c'est la délégation cognitive (Risko et Gilbert, 2016). Elle devient un problème quand elle porte sur l'opération même qu'il s'agissait d'apprendre. La « paresse métacognitive » décrite par Fan en est un cas particulier : ce qui est délégué n'est plus seulement la tâche, mais sa conduite.
Il faut donc distinguer deux fonctions de l'aide, comme le fait le texte fondateur du Lab FUTUR+. L'aide formatrice vise une compétence nouvelle et doit diminuer à mesure que l'élève progresse. L'aide compensatoire permet d'accéder à une activité malgré une difficulté durable, et peut rester nécessaire. Une assistance durable n'est donc pas toujours une dépendance.
7. Une aide utile sait se retirer
Travail théorique fondateur sur l'étayage ; pas de preuve directe sur le coaching scolaire.
Wood, Bruner et Ross (1976) ont décrit l'étayage : une aide provisoire, ajustée à ce que l'apprenant ne peut pas encore faire seul. Lorsqu'elle vise une compétence, elle doit diminuer à mesure que l'élève devient capable. Ce retrait suppose de savoir ce qui doit être appris et d'apprécier ce dont l'élève est capable. Un outil peut être réglé pour donner des indices ; décider quand en donner moins reste une question de jugement pédagogique.
8. Apprendre seul, cela s'apprend
Cadres théoriques reconnus ; leur présentation ne constitue pas une évaluation du coaching.
Zimmerman (2002) décrit l'autorégulation comme un cycle en trois phases. L'élève anticipe en se fixant un but et en choisissant une stratégie ; il contrôle son activité pendant qu'elle se déroule ; il évalue le résultat pour ajuster la suite. Ce cycle repose sur la métacognition, la connaissance que l'on a de son propre fonctionnement (Flavell, 1979). Ces capacités se construisent avec le temps ; elles ne sont pas données.
Une IA peut assister chacune de ces phases : proposer un planning, rappeler un objectif, poser des questions de bilan. Elle ne garantit pas que l'élève s'en serve. Un calendrier de révision généré en dix secondes n'est pas une preuve d'organisation.
9. La motivation ne naît pas de la disponibilité des ressources
Cadre théorique largement étudié ; sans mesure directe de l'effet d'un coaching avec IA.
La théorie de l'autodétermination (Ryan et Deci, 2000) relie la qualité de la motivation à trois besoins : se sentir autonome, se sentir compétent, se sentir relié à d'autres. La quantité de ressources disponibles n'y figure pas. Un élève peut disposer d'explications et d'exercices sans limite, et n'avoir aucune envie de s'y mettre.
Il serait excessif d'affirmer qu'une IA ne peut jouer aucun rôle motivationnel : elle encourage, aide à fixer des objectifs, donne des retours qui peuvent nourrir le sentiment de compétence. Mais les travaux mobilisés ici ne démontrent pas que la seule présence d'un assistant conversationnel installe un engagement durable, en particulier chez un adolescent déjà découragé.
Ce que nous ne savons pas
Les études mobilisées ici éclairent principalement l'IA comme outil d'apprentissage. Elles n'évaluent pas directement le coaching scolaire tel que défini par le Lab.
• Aucune des études analysées ici ne compare un coaching scolaire avec et sans IA. Les expérimentations portent surtout sur des élèves ou des étudiants utilisant un outil, ou sur des situations de cours. L'effet d'un accompagnement méthodologique intégrant l'IA reste à établir.
• Le public est rarement le bon. La plupart des études portent sur des étudiants du supérieur. Les adolescents, dont la métacognition est encore en construction, pourraient réagir autrement, dans un sens comme dans l'autre.
• Les durées sont courtes. Une séance, quelques semaines tout au plus. On ignore si les effets observés se maintiennent sur une année, et ce que devient la motivation sur la durée.
• Les contextes sont étroits. Une tâche d'écriture, une recherche documentaire, des exercices de mathématiques : rien ne garantit que ces résultats valent pour un collégien français en histoire ou en langues.
• L'accompagnement humain des usages n'est pas évalué dans les études mobilisées ici. On ne sait pas si un adulte qui aide l'élève à régler son usage de l'IA améliore durablement son autonomie. L'étude de Darvishi invite d'ailleurs à la prudence : un dispositif hybride peut ne rien ajouter.
• Une possibilité n'est pas une pratique. Ce qu'un élève peut techniquement faire avec une IA ne dit pas ce qu'il fait réellement dans sa vie scolaire. Les données d'usage restent déclaratives et vieillissent vite.
• Les outils changent plus vite que la recherche. Les études citées portent sur des modèles de 2023-2024. Les conclusions sur la conception de l'aide ont plus de chances de durer que les chiffres eux-mêmes.
Une question d'équité reste ouverte. Une assistance peu coûteuse peut offrir de nouvelles possibilités à des élèves qui reçoivent peu d'aide. Mais les écarts d'équipement, de maîtrise des outils et d'accompagnement familial peuvent créer de nouvelles inégalités. Un accompagnement à deux vitesses, humain et numérique pour certains, automatisé et peu encadré pour d'autres, est une hypothèse à surveiller, non une évolution démontrée.
En somme, les recherches indiquent que certaines aides qui font à la place peuvent nuire à l'apprentissage, tandis que des aides conçues pour guider peuvent être bénéfiques dans des conditions définies. Elles ne disent pas encore qui doit concevoir, régler et retirer cette aide pour un élève donné.
Applications pratiques
Les propositions qui suivent sont des propositions du Lab FUTUR+ (niveau D). Elles découlent des travaux cités, mais leur efficacité n'a pas été évaluée en tant que telle. Elles ont un point commun : déplacer l'attention du résultat visible vers ce que l'élève sait faire seul.
Un protocole en quatre temps, à tester
1. Identifier l'objectif. Avant de commencer, l'élève précise la tâche et la compétence qu'il cherche à développer. Le recours éventuel à l'IA doit servir cet objectif, pas le contourner.
2. Préserver une activité personnelle. L'élève entreprend la tâche seul : il formule une hypothèse, tente une résolution, rédige un premier jet. En cas de blocage, il demande une aide ajustée, sous forme d'indice plutôt que de solution.
3. Expliciter la démarche. Après le travail, l'élève dit ce qu'il a fait, les erreurs rencontrées, les aides utilisées et ce qu'il pense avoir compris.
4. Vérifier les acquis à distance. Quelques jours plus tard, une tâche comparable ou légèrement différente est proposée sans assistance, lorsque cette modalité convient à la compétence visée.
Ce protocole n'est ni un test validé ni une preuve d'efficacité du coaching. Les délais, les tâches et les critères d'observation doivent être adaptés à chaque élève et à chaque discipline.
Des gestes simples, par public
Pour qui | Geste proposé | Ce qui le fonde |
Élève | Chercher seul pendant un temps fixé, par exemple cinq minutes, avant toute aide. | Étayage ; effort économisé chez Stadler |
Élève | Demander un indice, jamais la solution complète ; puis refaire un exercice équivalent sans aide. | Performance et apprentissage ; Darvishi |
Élève | Après une explication, la redire avec ses propres mots, sans regarder l'écran. | Métacognition ; paresse métacognitive chez Fan |
Parent | Regarder les contrôles en classe autant que les devoirs : c'est là que se voit ce que l'élève sait faire seul. | Performance et apprentissage |
Parent | Demander « peux-tu me l'expliquer ? » plutôt que « as-tu fini ? ». | Autorégulation ; métacognition |
Parent | Vérifier ce que l'établissement autorise pour chaque devoir. | Cadre d'usage de juin 2025 |
Coach | Définir, pour chaque tâche, l'opération que l'élève doit accomplir lui-même et ce que l'outil peut prendre en charge. | Délégation cognitive ; aide formatrice et compensatoire |
Coach | Régler les outils pour qu'ils guident au lieu de répondre, puis vérifier qu'ils le font. | Synthèse de l'OCDE |
Coach | Comparer le planning annoncé et le planning réellement suivi, plutôt que de juger le planning lui-même. | Autorégulation |
Coach | Ne jamais saisir de données identifiantes d'un élève dans un outil grand public. | Cadre d'usage ; charte d'éthique du Lab FUTUR+ |
Regard du Lab FUTUR+
Cette section présente la thèse du Lab FUTUR+ (niveau D). Elle s'appuie sur les travaux cités, mais les travaux examinés ne l'ont pas directement testée. Elle est écrite à l'affirmatif pour être discutée, non parce qu'elle serait établie.
Notre thèse : quand l'explication devient abondante, la valeur du coaching scolaire se concentre sur quatre dimensions, la méthode, l'organisation, la motivation et l'autonomie. Une IA explique une notion, propose un exercice, corrige une réponse. Elle ne décide pas, à la place de l'élève, de ce qu'il doit faire lui-même pour apprendre, ni ne le fait tenir dans la durée. Un accompagnement limité à la délivrance d'explications perd sa spécificité ; un accompagnement centré sur la manière d'apprendre en gagne.
La méthode : choisir une stratégie, pas seulement en connaître
Avoir accès à dix explications ne dit pas laquelle utiliser. Un élève peut connaître de nombreuses techniques de révision sans savoir laquelle convient à son objectif. Il relit son cours une heure sans vérifier ce qu'il retient, ou enchaîne les exercices sans analyser ses erreurs.
Le travail méthodologique consiste à rendre ces choix explicites : distinguer comprendre, mémoriser, s'entraîner et réutiliser, qui ne mobilisent pas les mêmes opérations. L'IA peut y contribuer en posant des questions ou en variant les exercices. Le coach, lui, aide l'élève à reconnaître quand employer une stratégie, à en observer les effets et à l'ajuster.
L'organisation : l'écart entre le planning annoncé et le planning suivi
Une IA produit en quelques secondes un calendrier de révision, un découpage en étapes, une liste de priorités. Rien de cela ne garantit que le programme sera suivi. S'organiser, c'est estimer la durée des tâches, tenir compte des contraintes réelles, commencer ce qui était prévu et réajuster quand une difficulté surgit.
C'est le cycle de l'autorégulation décrit par Zimmerman. L'IA peut assister chacune de ses phases ; elle n'en garantit aucune. Le coaching se concentre donc sur ce que l'outil ne voit pas : l'écart entre l'organisation annoncée et l'organisation pratiquée.
La motivation : ce que la disponibilité de l'aide ne crée pas
Un élève découragé n'ouvre pas son application. La régularité d'un rendez-vous, l'attention d'un adulte et la confiance construite au fil des séances répondent aux trois besoins décrits par la théorie de l'autodétermination : se sentir autonome, compétent et relié. Le coach ne garantit pas la motivation ; il cherche à comprendre les raisons d'un désengagement, ajuste les attentes et aide l'élève à renouer avec des objectifs atteignables.
L'autonomie : savoir quelle aide demander, et quand s'en passer
L'autonomie ne consiste pas à ne jamais demander d'aide. Elle consiste à identifier ses besoins, mobiliser la bonne ressource et garder la maîtrise de son travail. Un outil généraliste fait ce qu'on lui demande, et un élève demande rarement qu'on l'aide moins. Doser l'aide puis la retirer, en distinguant l'aide formatrice de l'aide compensatoire, suppose quelqu'un qui suit l'élève et voit ce dont il devient capable.
L'objectif du coaching tient alors en une phrase : rendre l'élève capable de décider de l'aide dont il a besoin, sans déléguer l'opération intellectuelle qu'il cherche à maîtriser.
Le coach, médiateur des usages de l'IA
Dans cette perspective, le coaching ne s'oppose pas à l'IA. Il intègre l'apprentissage de son usage. Face à un élève qui travaille avec une IA, le coach se pose quatre questions. L'élève sait-il dire ce qu'il a compris seul ? Peut-il expliquer pourquoi il retient une solution ? Sait-il vérifier une affirmation qui ne correspond pas à son cours ? Peut-il continuer quand l'outil n'est plus là ?
Le coach aide à choisir l'outil, à définir ce qui peut être délégué et à vérifier que l'aide sert l'apprentissage. Ce rôle suppose que les coachs connaissent eux-mêmes les capacités et les limites des systèmes qu'ils utilisent.
Trois réserves
D'abord, rien n'indique que seul un humain puisse étayer : des tuteurs bien conçus reproduisent déjà une partie de ces fonctions, comme le montre la synthèse de l'OCDE. Le Lab FUTUR+ ne revendique aucun monopole humain.
Ensuite, l'étude de Darvishi rappelle qu'associer une IA et un travail d'autorégulation n'a pas fait significativement mieux que l'IA seule, sur les indicateurs étudiés. La valeur ajoutée d'un accompagnement humain des usages est une hypothèse à démontrer, pas un acquis.
Enfin, l'efficacité du coaching scolaire lui-même doit être examinée avec la même exigence que celle des outils. C'est l'objet du dossier 20 de cette collection, et la question des inégalités d'accès fait l'objet d'un dossier commun aux trois catégories du Lab FUTUR+.
Retour à Inès
Le problème d'Inès n'était pas de manquer d'explications ; elle en avait d'excellentes. Il était que personne, ni elle ni l'outil, n'avait décidé de ce qu'elle devait faire seule, ni vérifié ensuite qu'elle savait le faire. La question des années qui viennent n'est donc pas « un coach ou une IA ? ». Elle est : qui décide de ce que l'élève doit faire lui-même, et qui l'aide à devenir capable de le faire ?
Bibliographie
Études et synthèses
• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö. et Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. doi.org/10.1073/pnas.2422633122 — cité en renvoi ; décrypté dans la catégorie IA éducative.
• Darvishi, A., Khosravi, H., Sadiq, S., Gašević, D. et Siemens, G. (2024). Impact of AI assistance on student agency. Computers & Education, 210, 104967. doi.org/10.1016/j.compedu.2023.104967
• Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X. et Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530. doi.org/10.1111/bjet.13544
• Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of cognitive-developmental inquiry. American Psychologist, 34(10), 906–911. doi.org/10.1037/0003-066X.34.10.906
• OCDE (2026). OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education. Paris : Éditions OCDE. doi.org/10.1787/062a7394-en
• Risko, E. F. et Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676–688. doi.org/10.1016/j.tics.2016.07.002
• Ryan, R. M. et Deci, E. L. (2000). Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. American Psychologist, 55(1), 68–78. doi.org/10.1037/0003-066X.55.1.68
• Soderstrom, N. C. et Bjork, R. A. (2015). Learning versus performance: An integrative review. Perspectives on Psychological Science, 10(2), 176–199. doi.org/10.1177/1745691615569000
• Stadler, M., Bannert, M. et Sailer, M. (2024). Cognitive ease at a cost: LLMs reduce mental effort but compromise depth in student scientific inquiry. Computers in Human Behavior, 160, 108386. doi.org/10.1016/j.chb.2024.108386
• Wood, D., Bruner, J. S. et Ross, G. (1976). The role of tutoring in problem solving. Journal of Child Psychology and Psychiatry, 17(2), 89–100. doi.org/10.1111/j.1469-7610.1976.tb00381.x
• Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70. doi.org/10.1207/s15430421tip4102_2
Données et textes officiels
• Arcep, Arcom, CGE et ANCT (2026). Baromètre du numérique, édition 2026, étude réalisée par le Crédoc en juin 2025. Communiqué · Présentation des résultats
• Ipsos BVA pour le Groupe VYV et la CNIL (2026). L'impact des usages de l'IA sur la santé mentale des jeunes Européens. Enquête en ligne du 9 au 26 janvier 2026 auprès de 3 800 jeunes de 11 à 25 ans, dont 1 000 en France. Présentation des résultats par la CNIL
• Ministère de l'Éducation nationale (2025). Cadre d'usage de l'IA en éducation. Page datée du 13 juin 2025 ; communiqué de publication du 14 juin 2025.
• Lab FUTUR+ (2026). Ce que signifie apprendre à l'heure de l'intelligence artificielle, texte fondateur.