CONTEXTE

Partir de l’usage ordinaire pour le rendre critique

Génération d’images, aides à la rédaction : les outils d’IA générative appartiennent déjà à l’environnement numérique des collégiens, le plus souvent sans maîtrise de leurs limites ni de leur fonctionnement. Le scénario part des expérimentations personnels pour transformerles usages vers un outil de travail. L'objectif et de faire de l’IA un sujet d’enquête médiatique, et non plus une simple boîte à outils.

La réponse pédagogique est un dispositif de mise en projet : créer une émission de web radio dédiée à l’IA, mêlant chroniques décalées et reportages approfondis. En passant derrière le micro, l’élève s’approprie les concepts de l’IA pour en comprendre les opportunités et les risques. La création sonore devient le levier d’une culture critique de l’information et d’une citoyenneté numérique. Le choix des enseignantes est de penser l’esprit critique par l’expérimentation et non comme un apport théorique qui manquerait de sens pour les élèves.

DÉMARCHE

Le « double statut » de l’IA

L’originalité du scénario tient à un parti pris assumé : l’IA y possède un double statut, à la fois objet d’étude et partenaire méthodologique. Le projet ne se contente pas d’analyser l’IA de l’extérieur ; il l’intègre dans le processus de production radiophonique, ce qui place l’élève en situation d’usage réflexif plutôt que de consommation passive.

Trois ressorts structurent ce dispositif, entre pédagogie active et usage encadré :

• L’engagement par le projet : La perspective d’une diffusion réelle sur RPH transforme l’exercice scolaire en production responsable, adressée à un public extérieur.
• L’IA comme assistant à la réflexion : Elle aide à transformer des textes de recherche en scripts radio dynamiques, à structurer les textes des élèves fragiles, et à pousser les plus à l’aise vers un travail de style.
• La contrainte du média radio : La forme radiophonique impose ses propres exigences, concision, clarté, oralité, qui obligent à reformuler, donc à comprendre.

Dans ce dispositif, les outils mobilisés (Suno pour la création sonore, Mistral AI et Perplexity pour la recherche d’information et la reformulation) ne sont pas utilisés pour eux-mêmes. Leur intérêt réside dans leur mise au service d’un projet de communication. Les propositions générées par l’IA sont alors confrontées aux besoins réels de production et de publication des élèves. C’est dans cet écart, entre ce que suggère la machine et ce que nécessite l’intention éditoriale, que se construit progressivement le regard critique.

RÉFÉRENTIELS

Compétences travaillées (CRCN)

Ancrage EMI : fiabilité de l’information, identification des biais, distinction entre génération machine et source vérifiée, responsabilité du producteur de média.

ANALYSE

Plus-value pédagogique et apports du numérique

• Engagement et différenciation

La diffusion réelle agit comme un levier de motivation intrinsèque : l’élève vise un objectif de maîtrise, non la seule réussite de l’exercice. L’IA, en tuteur personnalisé, soutient la différenciation : étayage des élèves fragiles, approfondissement stylistique pour les plus avancés.

• Inclusion

La classe accueille un élève accompagné d’un AESH à temps plein ; l’IA a facilité l’inclusion en simplifiant des textes complexes et en soutenant la préparation du passage à l’oral des élèves en difficulté d’écriture.

• Intégration du numérique, lecture SAMR

Au regard du modèle SAMR, le dispositif se situe entre Modification et Redéfinition : l’IA ne se substitue pas à une tâche ancienne, elle reconfigure la chaîne « recherche → script → oral » et rend possible une production radiophonique aboutie en un temps contraint. Surtout, l’usage motive le travail de vérification : chaque réponse de la machine doit être confirmée par des sources, ce qui inscrit le doute méthodique au cœur de la production.

LIEN AVEC LA RECHERCHE

Un scénario adossé à la recherche

• Inspiration scientifique : l’élève acteur, l’oral comme exigence

Le scénario s’inscrit dans la filiation de Philippe Meirieu : l’élève doit demeurer l’acteur de son propre apprentissage. La web radio radicalise cette exigence par la présence d’un tiers, l’auditeur. Cet « autre » impose une exigence de vérité et de clarté que l’élève ne peut porter seul. Le passage de l’écrit à l’oral, assisté par l’IA, l’oblige à une gymnastique intellectuelle constante entre la proposition de la machine et son intention de communication : reformuler pour être compris, c’est déjà exercer un jugement sur ce que l’on a compris.

• Les trois leviers de l’apprentissage actif

La démarche s’appuie sur les travaux de Franck Amadieu et André Tricot, pour qui le numérique ne produit d’effet d’apprentissage que sous certaines conditions.

Trois leviers structurent l’activité :

• L’engagement et l’objectif de maîtrise (Grant & Dweck, 2003). En visant la production d’une émission réellement diffusée sur Radio Pays de l’Hérault, les élèves ne cherchent plus seulement à « réussir l’exercice », mais à atteindre un objectif de maîtrise. Cette motivation intrinsèque est le moteur nécessaire pour qu’ils s’impliquent dans la vérification des sources fournies par l’IA, au lieu de s’en tenir à une réception passive.
• La co-construction des savoirs (Springer, Stanne & Donovan, 1999). La web radio est, par essence, un dispositif de coopération. La confrontation des points de vue au sein de l’équipe de rédaction favorise un apprentissage plus profond que le travail individuel. En travaillant en équipes de chroniqueurs (binômes ou trinômes), les élèves sont contraints, par la structure même du groupe, à justifier leurs choix éditoriaux et la fiabilité de leurs informations face à leurs pairs.
• L’auto-explication (Larsen, Butler & Roediger, 2013). Pour transmettre une notion complexe au micro, par exemple le fonctionnement d’un algorithme, l’élève doit d’abord se l’expliquer à lui-même. En sollicitant l’IA pour obtenir des réexplications simplifiées, qu’il lui faut ensuite reformuler pour son public, il accomplit un effort de récupération en mémoire qui garantit une meilleure rétention des connaissances à long terme.

Cette démarche de médiation développe une méthode que les élèves peuvent réinvestir dans de nombreuses autres situations d’apprentissage. C’est là que réside l’intérêt du dispositif : l’intelligence artificielle n’est pas un objectif en soi, mais un support pour amener les élèves à expliciter leur pensée, leurs choix et leurs démarches, dans une logique qui dépasse largement l’usage de l’outil.

BILAN RÉFLEXIF

Leviers et freins

VIGILANCE

Limites et points de vigilance éthique

• RGPD. L’obligation de créer un compte sur certaines IAG est un point d'attention pour des collégiens. Une possibilité est que l'enseignant crée en amont un compte CDI.
• Souveraineté numérique. Le choix de Mistral AI est privilégier car c'est une solution européenne ; Perplexity et Suno, extra-européens, restent à interroger au regard du Cadre d’usage de l’IA en éducation. La comparaison des outils peut elle-même devenir un objet d’enseignement.
• Charge cognitive et délégation. L’IA doit rester un assistant à l’auto-explication, jamais un substitut. L’évaluation doit valoriser le geste de vérification et de reformulation, non le produit généré.

BIBLIOGRAPHIE

• AMADIEU, Franck et TRICOT, André. Apprendre avec le numérique. Nouvelle édition enrichie. Paris : Retz, 2020, collection « Mythes et réalités », 176 p. ISBN 978-2-7256-3876-8.
• GRANT, Heidi et DWECK, Carol S. Clarifying achievement goals and their impact. Journal of Personality and Social Psychology, 2003, vol. 85, n° 3, p. 541-553. DOI 10.1037/0022-3514.85.3.541.
• LARSEN, Douglas P., BUTLER, Andrew C. et ROEDIGER, Henry L. Comparative effects of test-enhanced learning and self-explanation on long-term retention. Medical Education, 2013, vol. 47, n° 7, p. 674-682. DOI 10.1111/medu.12141.
• MEIRIEU, Philippe. Apprendre… oui, mais comment. Paris : ESF Sciences Humaines, 2017. 192 p. ISBN 978-2-7101-3370-4
• SPRINGER, Leonard, STANNE, Mary Elizabeth et DONOVAN, Samuel S. Effects of small-group learning on undergraduates in science, mathematics, engineering, and technology: a meta-analysis. Review of Educational Research, 1999, vol. 69, n° 1, p. 21-51. DOI 10.3102/00346543069001021.

RESSOURCES COMPLÉMENTAIRES

• UNESCO. Référentiel de compétences en IA pour les apprenants. Paris : UNESCO, 2024. [en ligne] https://www.unesco.org/fr/articles/referentiel-de-competences-en-ia-pour-les-apprenants (consulté le 16/06/2026)
• Cadre de référence des compétences numériques (CRCN) [en ligne]. Paris : MENJ, 2020. [en ligne] https://eduscol.education.gouv.fr/sites/default/files/document/documentaccompagnementcrcn1205570pdf-80466.pdf (consulté le 16/06/2026)
• Cadre d'usage de l'intelligence artificielle en éducation [en ligne]. Paris : MENJ, 2025. [en ligne] https://www.education.gouv.fr/cadre-d-usage-de-l-ia-en-education-450647 (consulté le 16/06/2026)