Intégrer l’intelligence artificielle à l’enseignement et à l’apprentissage – Partie 2

Dans les derniers mois, sans réelle connaissances de la programmation, j’ai utilisé l’intelligence artificielle générative (IAG) pour développer une application web. Au départ, je voulais qu’elle me serve à faire le suivi des apprentissages de mes élèves. Mais cette idée s’est élargie: rassembler dans un seul espace de travail ce qu’on fait déjà dans notre pratique enseignante:

• planifier
• annoter
• évaluer
• suivre l’apprentissage des élèves
• construire la note finale

De plus, cette numérisation du flux de travail permet de recueillir des microdonnées fort utiles pour le dépistage et l’accompagnement des élèves. Mon objectif est de rendre cette plateforme disponible dans le réseau collégial pour que des enseignants et des enseignantes de toutes les disciplines puissent l’utiliser. Vous pouvez d’ailleurs dès maintenant en faire l’essai et me partager votre expérience! Lisez la suite pour en savoir plus…

Ces derniers mois ont donc été une riche période d’apprentissage où j’ai développé de nouvelles compétences techniques tout en approfondissant ma réflexion sur ma propre pratique pédagogique. Je crois qu’un défi aussi grand que l’intégration de l’IA en éducation peut devenir un puissant catalyseur de développement professionnel. À 2 conditions cependant: accepter d’être déstabilisé et remettre en question ses certitudes!

Un outil artisanal

Au début, pour suivre les progrès de mes élèves, je voulais compiler plusieurs informations liées à leur engagement et à leur contexte d’apprentissage. Rien de bien révolutionnaire : relever la présence en classe de l’élève, noter la complétion des travaux, indiquer très précisément l’échelle de performance pour chaque critère (pas seulement la note finale), le type d’erreurs, le nombre de mots, etc., Ces microdonnées me semblaient utiles pour éclairer mes interventions en classe.

J’ai lancé mon projet de «monitorage» à l’hiver 2024. Avec l’aide de Gemini (Google), j’ai codifié dans un tableur les observations que je faisais intuitivement depuis des années mais que je ne colligeais pas aussi systématiquement. J’ai également commencé à standardiser ma pratique d’évaluation en utilisant des critères holistiques constants sur tous les travaux pendant tout le trimestre. À la fin de la session, j’ai analysé ces microdonnées avec Claude (Anthropic). À ma grande surprise, les données m’a permis d’identifier des «tendances» et de repérer des «blocages» dans l’apprentissage de mes élèves. C’était inusité.

J’ai documenté cette fascinante découverte dans un 1^er récit de pratique publié sur Éductive en janvier 2025.

J’ai poursuivi ma lancée à la session suivante. Cependant, mon tableur «artisanal», progressivement truffé de formules complexes et de cellules interreliées, est devenu un vrai cauchemar pour la maintenance lors du passage à un autre groupe d’élèves. J’ai réussi à garder le cadre, tout fonctionnait, mais je voyais bien que mon outil était fragile, limité par son format passif et peu ergonomique. Par conséquent, il n’avait pas vraiment d’avenir. Il était trop à étendre à d’autres cours ou d’autres pratiques.

Aperçu de mon tableur à l’automne 2024. (Note : les identités présentées ici sont fictives.) Derrière cette interface composée d’une multitude de cellules colorées se cachent des formules très complexes développées avec l’aide de l’IA. Mon objectif était de voir ce que les simples résultats sommatifs finaux ne révèlent pas.

C’est de cette situation problématique qu’est venue l’idée de transformer mon tableur en une application web autonome.

Mon apprentissage: de novice à développeur conceptuel

À la ligne de départ: un enseignant sans compétences techniques

En janvier 2024, devant mon outil «artisanal», j’avais encore très peu de connaissances techniques. J’ai développé avec l’IA de façon très intuitive les formules mathématiques complexes qui m’ont permis de révéler l’implicite dans l’apprentissage de mes élèves. J’expliquais ce que je cherchais et Gemini me livrait les formules à insérer dans les bonnes cellules dans mon tableur. Je testais, ça marchait ou non, et je reprenais le boulot. Je développais patiemment un outil qui gagnait de plus en plus en précision.

J’ai travaillé avec Gemini (Google), j’ai aussi exploré avec ChatGPT (OpenAI), mais c’est Claude (Anthropic) que j’ai fini par adopter dès le moment de sa sortie au Canada. C’est l’outil qui m’a semblé le plus efficace pour raffiner mon instrument. Durant les mois suivants, c’était assez fascinant de travailler avec un agent qui se développait en parallèle de mes compétences. Il m’offrait régulièrement de nouvelles possibilités et je les explorais aussitôt.

Je ne savais pratiquement rien du codage. Mon expérience se résumait à quelques lignes de BASIC écrites au secondaire il y a 40 ans et à la création de sites web rudimentaires vers 2000-2005. Je ne maîtrisais ni HTML, ni JavaScript, ni les feuilles de style CSS. L’idée de développer une application web complexe aurait dû me paraître irréaliste. Mais… je suis assez têtu parfois.

Mon objectif était emballant et malgré mon manque de compétences techniques, je n’avais pas peur d’apprendre. Au contraire. Je pense que c’est cette tension productive entre mon intention et l’absence de moyens qui a rendu mon apprentissage possible.

Utiliser l’IA: apprendre en expliquant

Dans un 1^er temps, travailler avec l’IA a exigé que je transforme mon savoir tacite en «instructions» explicites. Chaque fonctionnalité que je voulais traduire dans l’application web nécessitait que je décrive précisément:

• ce que je sentais intuitivement: «Comment savoir qu’un élève est à risque?»
• comment je le savais: «Quelle est la logique derrière un seuil d’alerte?»
• comment le processus de réponse devait fonctionner: «Dans quel ordre traiter ces informations?»

Cette nécessité constante de tout expliciter a créé une boucle d’apprentissage récursive: pour «enseigner» à l’IA, je devais d’abord comprendre en profondeur ce que moi-même je faisais intuitivement. Mon utilisation de l’IA était un questionnement continu qui ne laissait passer aucune imprécision. Et une fois les choses au clair, il devenait de plus en plus facile… de les clarifier !

La courbe d’apprentissage technique

Ma progression technique s’est faite par paliers.

Phase 1 (hiver-automne 2024) : le copier-coller laborieux

Dans les 1^res expérimentations, je travaillais avec Claude Sonnet (Anthropic) qui était à ce moment un agent conversationnel qui me permettais de définir des fonctions et de les rendre actionnables sous la forme de code, comme je le faisais dans mon tableur.
Au centre, l’échange avec l’IA.
À droite, le code html ou javascript avec les consignes d’intégration.
À gauche, l’interface de Visual Code où je collais pièce par pièce les correctifs nécessaires.

Ce 1^er cycle a demandé beaucoup de concentration. Il exigeait une connaissance du code que je n’avais pas du tout. J’avançais sur des œufs et j’apprenais par essai-erreur. Chaque nouvelle fonctionnalité risquait de casser le code. Pour me prémunir contre la régression, je faisais régulièrement des sauvegardes que je numérotais et archivais. Progressivement, j’ai compris la logique, les erreurs de syntaxe sont devenues lisibles et les concepts de variables et de fonctions ont pris sens dans ma tête.

Phase 2 (octobre 2025): l’accélération avec Claude Code

Le point véritable de bascule est survenu à l’automne 2025 quand Anthropic a présenté un nouveau produit qui a décuplé ma vitesse de développement. Mon passage à Claude Code a été déterminant parce que ce nouvel agent de codage:

• lit directement mes fichiers de projet sur mon disque
• comprend l’architecture d’ensemble
• fait lui-même les modifications nécessaires
• teste ses solutions
• enregistre automatiquement un journal des modifications sur Git, ce qui permet de rétablir des versions antérieures du code au besoin

Grâce à Claude Code: plus d’erreurs de copier-coller et plus d’archivage bancal entre mes versions de travail. Github, que je ne connaissais pas, est devenu un outil de 1^er plan. Mon système a fait un immense bon dans la cohérence et la persistance. À partir de ce moment, j’ai pu me concentrer sur la conception de l’outil et déléguer l’exécution technique à un agent plus compétent que moi. C’est à ce moment que tout a déboulé.

Je travaillais désormais avec le terminal de mon Mac. J’interagissais avec Claude Code en langage naturel. L’agent effectuait sous mes yeux l’ajout ou la suppression du code en me demandant à chaque fois mon approbation.

Phase 3 (novembre 2025-janvier 2026): la maîtrise conceptuelle

Aujourd’hui, je ne code toujours pas. Mais je comprends mieux l’architecture modulaire de mon application. Je distingue IndexedDB et localStorage, et je comprends mieux aussi la fonction essentielle du namespacing. Je ne connais pas le code, mais, surprenamment, je peux déboguer conceptuellement un problème, même si je ne peux pas le faire moi-même. Parce que je connais exactement comment l’application fonctionne et… comment je travaille.

L’IA comme miroir réflexif de ma pratique

Au-delà du suivi de l’apprentissage, je me suis mis à créer de nouvelles fonctions de soutien à mon travail. L’une des 1^res possibilités que j’ai développées est de générer des rétroactions pour mes élèves en fonction d’une évaluation. Forcément, j’ai dû réfléchir à ce qu’est une bonne rétroaction. J’ai fait mes devoirs : j’ai lu et je me suis documenté, j’ai expérimenté itérativement en classe et j’ai amélioré le résultat en fonction du feedback des élèves.

Ainsi, quand je travaille sur la création d’un ensemble de rétroactions et que j’explicite la «nuance» ou la «rigueur» telles que je les observe dans un texte d’analyse littéraire, je dois d’abord me demander quelle est vraiment la différence entre les 2.

J’ai longtemps appliqué mes critères de correction de manière intuitive. Je «sentais» quand une analyse manquait de subtilité. Mais comment traduire ce sentiment en critère observable et communicable?

Évidemment, je ne donne pas tout à fait à Claude Code la même réponse qu’à mes élèves, mais la logique derrière doit être la même. Cette démarche réflexive est devenue fondamentale. Je questionne et clarifie sans cesse ce que je fais : c’est-à-dire que j’apprends beaucoup en enseignant à mon assistant programmeur!

L’IA ne juge pas. Elle me demande simplement d’être très précis. C’est ainsi que j’ai réalisé qu’il y avait parfois des incohérences dans ma pratique. Ce travail constant d’explicitation, de mise en relation et de déduction m’a forcé à:

• définir précisément chaque critère (que j’appelle maintenant un «standard», dans le cadre de mes nouvelles pratiques de notation)
• identifier des indicateurs concrets et observables
• distinguer clairement ce qui relève d’un critère plutôt qu’un autre en observant parfois la causalité ou l’incidence entre les deux
• justifier mes seuils et mes pondérations par des appuis empiriques

J’ai développé ma métacognition au sujet de ma propre pédagogie. Comme si je laissais entrer un collègue dans ma classe pour me coacher, je m’observe avec un pas de recul.

Quand les données sur les seuils cognitifs confirment la théorie

L’un des moments les plus fascinants de ce projet est survenu à l’automne 2025, quand j’ai ajouté de nouvelles données : les résultats d’une douzaine d’élèves volontaires qui avaient suivi avec moi le cours 101 (Écriture et littérature) et poursuivi le cours 102 (Littérature et imaginaire) au trimestre suivant. L’échantillon était très modeste, mais jugé suffisamment représentatif de ma pratique et de mon contexte d’enseignement.

Avec Claude, j’ai croisé les performances de ces élèves dans les 2 cours pour comprendre ce qui se jouait dans la réussite du cours suivant. Or, les résultats confirmaient les seuils cognitifs établis par Biggs et Collis dans leur taxonomie SOLO (Structure of Observed Learning Outcomes):

• Un seuil de survie (64%)
  Les élèves qui obtenaient entre 60% et 65% au cours 101 réussissaient parfois le cours 102, mais leur performance restait très instable (variation de la note de 102 de plus ou moins 9,5% par rapport à ce qu’elle était en 101). À ce niveau multistructurel, l’élève identifie plusieurs éléments pertinents, commence à percevoir des liens simples, mais reste dépendant du soutien externe. Ce n’est pas encore une vraie maîtrise autonome.
• Un seuil de compétence (70%)
  Entre 65% et 75%, les résultats montraient que quelque chose de décisif se jouait. La performance se stabilisait progressivement (variation de ±5% avec le 102). À ce niveau multistructurel un peu plus avancé, l’élève développe une autonomie émergente: il ou elle ne se contente plus d’accumuler des éléments, mais commence à établir des liens cohérents. Son analyse dépasse la simple description.
• Un seuil de maîtrise durable (75%)
  Les résultats au cours suivant m’apprenaient qu’à partir de 75% en 101, la performance devenait remarquablement stable et prédictive du 102 (variation de seulement ±2,5%). À ce niveau relationnel, la compétence est devenue stable, résistante aux variations de contexte, transférable à des situations nouvelles.
  Enfin, à partir de 85%, la corrélation entre les 2 cours devenait quasi parfaite. Un étudiant qui obtient 85% en 101 obtient en moyenne 85% en 102. Une étudiante à 95% maintient 95%. Ce niveau étendu révèle que les transferts d’apprentissage sont possibles et pérennes.

Répartition des niveaux élèves pour chacun des indices. (Les points dans chaque bande colorée représentent les élèves.)

La note que j’attribue en 101 n’est pas une somme de points, mais l’observation d’un niveau cognitif qui va de l’insuffisance à une performance de niveau abstrait étendu, en passant par des stades progressifs de développement et de maitrise. Ma note n’est pas un calcul. C’est une observation, j’oserais même dire un «diagnostic». Or, ces nouvelles données avaient une portée majeure pour moi. Les résultats au cours 102 confirmaient que les niveaux cognitifs de la taxonomie étaient réels et… que mon diagnostic était juste!

Cette découverte profondément transformé ma manière d’intervenir dans le processus d’apprentissage de l’élève. Mon travail n’est pas qu’enseigner et évaluer: c’est accompagner et soutenir le développement de mes élèves dans leur parcours à travers des niveaux cognitifs de plus en plus complexes.

Et c’est là que le modèle de la réponse à l’intervention (RàI) entre en jeu.

La connaissance des seuils me permet d’ajuster mes interventions en fonction d’où se situe l’élève:

• En bas de 65%, l’intervention intensive est obligatoire: l’élève est constamment déstabilisé par son apprentissage, il s’accroche à des stratégies qui ne fonctionnent pas bien, et qu’il ne maîtrise pas.
• Entre 65-70%, l’accompagnement est nécessaire: on consolide les fondations pour franchir le seuil de l’autonomie.
• Entre 70-75%, la progression est significative: l’élève est au stade cognitif relationnel et il peut réaliser adéquatement certaines tâches avec un peu moins de guidance.
• À 75% et plus, l’apprentissage est davantage pérenne, les liens entre les connaissances sont plus solides et l’élève est prêt pour des défis un peu plus complexes.
• À 85%, il est capable de pensée complexe, de transfert, de créativité.

J’ai donc créé une nouvelle fonctionnalité dans l’application. En partant de mes observations (niveaux cognitifs, tendances, blocages), l’application me suggère le niveau d’intervention approprié selon le modèle de la RàI.

Suggestion de niveau d’intervention selon le modèle RàI

C’est parce que j’ai observé, noté, compilé les données et que je les ai ensuite traitées avec l’IA que je peux voir apparaitre des tendances de progression, allant du blocage émergent au blocage spécifique (sur un critère précis) en passant par la consolidation ou la fragilisation. C’est parce que je recueille ces informations que tout à coup mes interventions deviennent… efficaces !

L’usage quotidien de l’IA: au-delà des mythes

Contrairement à ce que certains enseignants ou certaines enseignantes pourraient imaginer, je suis loin d’utiliser l’IA pour remplacer mon jugement professionnel. Je n’automatise pas l’évaluation, je ne génère pas non plus du contenu que je ne vérifie pas et je ne laisse pas les algorithmes décider à ma place.

L’IA n’est pas un pilote automatique que je déclenche avec un bouton. C’est un assistant de réflexion qui favorise ma capacité d’analyse, de conception et de production. C’est ma propre expertise, documentée sur la recherche et maintenant appuyée sur des données empiriques que j’ai transposée dans l’application que je développe.

L’IA comme assistant de réflexion

L’application me permet d’entrer des micro-données, bien sûr, mais aussi de créer des documents pédagogiques plus cohérents encore. En programmant mon application, j’ai dû m’assurer d’un alignement strict entre les objectifs d’apprentissage, les activités pédagogiques, les critères d’évaluation et les rétroactions données. J’ai créé un module qui me permet de concevoir tout ça sous la forme d’une carte mentale qui s’auto-vérifie. Le résultat se traduit en plan de leçon et en calendrier des activités que je peux transférer directement dans mon plan de cours.

Dernièrement, je suis même parvenu à importer des travaux de Léa (sur Omnivox), à les annoter et les évaluer dans mon application, puis à exporter le tout en format PDF pour les retourner dans Léa. Mon flux de travail est maintenant entièrement numérisé dans une seule application!

Le module d’annotation des travaux me permet de donner des rétroactions visuelles directement sur le travail de l’élève.

Le module d’évaluation et de rétroaction de mon application permet non seulement d’évaluer le travail, mais de générer une rétroaction en fonction de l’échelle de performance sur chacun des critères.

Les limites quotidiennes que je rencontre: l’IA hallucine encore

Ça va très bien en général avec mon grand modèle de langage (GML), mais parfois, j’ai l’impression de travailler avec quelqu’un qui souffre de démence. C’est dans la nature même des GML de délirer et mon utilisation de l’IA pour coder n’y échappe pas.

L’intelligence artificielle générative a une fenêtre de contexte limitée. À chaque nouvelle conversation, je dialogue avec «quelque chose» qui est toujours un peu décalé et, au fil du temps, affublé de blanc de mémoire. Claude compresse les conversations pour qu’elles durent plus longtemps, mais chaque fois cet exercice implique de supprimer des informations. C’est comme lorsqu’on compresse une photo en format jpeg : les détails disparaissent. La clarté de l’ensemble diminue. Sauf que l’IA ne sait pas qu’elle a de tels trous de mémoire et elle les comble au fur et à mesure par de la brume et du flou.

Concrètement, Claude peut inventer de nouvelles variables ou de nouvelles fonctions sans me le dire alors que, la veille, il les avait déjà implémentées et qu’elles étaient fonctionnelles. Le lendemain, ça bogue. Il cherche des correspondances et me dit qu’il trouve des doublons qui créent des conflits.

Et c’est sans dire que l’agent de codage est aveugle. Il ne voit que des 0 et des 1, et ceci lui complique la vie quand il s’agit d’accomplir des tâches très simples pour les humains. Bref, je dialogue parfois avec un aveugle un peu borné. Heureusement Claude Code s’améliore de semaine en semaine. Mais, forcément, c’est moi le porteur du projet. Pas l’IA.

Le changement de pratique

L’évaluation n’est jamais neutre. C’est la principale raison pour laquelle j’ai renoncé à la pratique de notation sommative traditionnelle. La note traditionnelle est une somme de «points» parfois bien arbitraires. Que représente cette accumulation, au final? Qu’est-ce que cette somme signifie? Le salaire d’un travail? Des économies, des pertes? Un capital ?

L’évaluation n’est jamais neutre, mais il n’y a pas que ça. À leur entrée en classe, le capital scolaire et culturel de chaque élève est lui-même biaisé parce que les ressources sont inégales. On parle aussi de capital socio-économique. Quand je fais une somme de points dans laquelle je tiens compte des erreurs et des maladresses, est-ce que je cautionne les inégalités du système dans lequel je vis?

J’ai changé ma pratique de notation parce que cette question me turlupinait. Et… j’ai ajouté un module de notation à mon application, pour enfin sortir de la logique sommative traditionnelle (pour sortir de la logique du capital)? Ce n’est plus un algorithme de calcul sommatif qui décide à ma place qui maitrise ou non la compétence et à quel point. Ça semble paradoxal, mais cet outil fait en sorte que mon jugement est plus important que jamais.

Les jetons sont des ressources limitées que les personnes apprenantes peuvent utiliser pour adapter leur parcours.

Du tableur artisanal à l’application web

Mon projet a commencé modestement: un tableur Numbers pour suivre mes élèves. Aujourd’hui, c’est une application web d’environ 195 000 lignes de code qui:

• gère plusieurs groupes-cours simultanément et archive plusieurs trimestres
• s’adapte aux besoins de disciplines variées parce qu’elle est modulaire
• supporte 3 pratiques de notation différentes : sommative traditionnelle ou alternative par standards ou par spécifications
• accompagne l’enseignant ou l’enseignante dans plusieurs tâches de son flux de travail: de la prise des présences à l’annotation manuelle des travaux (avec un stylet), en passant par l’évaluation critériée et la rétroaction différenciée
• fait l’exportation en format PDF (pour le support papier) ou en format JSON (pour le partage des documents avec des collègues qui utilisent l’application).
• protège par des métadonnées et des règles d’attribution (Creative Commons) les créations pédagogiques des utilisateurs et utilisatrices
• fonctionne entièrement hors ligne, sans aucune dépendance à quelque nuage que ce soit
• n’est pas du tout pilotée par une IA
• a un code source libre et… est gratuite !

Quelle place le numérique peut-il prendre en éducation ?

Les géants du web n’en finissent plus de numériser le réel. Au XXI^e siècle, les données sont devenues le nouveau capital. De la caméra de rue au satellite, du téléphone à la montre, des lunettes aux anneaux, les grandes corporations numérisent le monde un peu plus chaque jour en le rendant de plus en plus virtuel et monnayable.

L’IA transforme l’enseignement. C’est inévitable. Mais devant le changement, je crois qu’il ne suffit pas de mettre le pied sur les freins. On peut aussi mettre les mains sur le volant. La question est: qui contrôlera cette transformation? Les plateformes commerciales qui lisent nos comportements et maximisent leurs profits? Ou nous, enseignants et enseignantes, qui, dans le cadre de nos relations avec les apprenants, pouvons avoir une influence directe sur le développement de l’intelligence humaine ?

Paradoxalement, c’est une grande opportunité technologique que nous offre l’intelligence artificielle générative et les outils de codage comme Claude Code. Nous pouvons maintenant construire nous-mêmes les outils dont nous avons besoin !

Avec cette application, je préserve une certaine autonomie et ça me permet d’imaginer un futur un peu différent de celui qu’on veut m’imposer.

C’est beau l’intelligence artificielle et la vie dans les nuages. Mais les conséquences sur rerre sont très réelles. Combien de temps peuvent durer ces centres de données énergivores? Combien de temps encore avant qu’internet ne craque à cours d’électricité produite au charbon?

Moi, je parie sur nous, sur notre intelligence collective naturelle. Sur le partage et les communs en éducation.

Ça vous intéresse d’explorer l’application? D’y contribuer? De soutenir son développement de multiples façons ?

Je cherche des gens patients et curieux afin de m’assurer que l’application fonctionne bien et qu’elle puisse s’adapter au plus grand nombre de pratiques et de disciplines possible. Si vous contribuez, l’application pourra peut-être vous ressembler et vous être particulièrement utile!

Pour suivre le développement de mon projet et mes expérimentations, rendez-vous sur mon blogue, Codex Numeris! Pour en savoir plus, écrivez-moi!