Le vocabulaire a changé de nature. Les baromètres du secteur ne parlent plus d’« outil » ou de « chatbot », mais de « compagnon » : une présence dialogique continue, disponible, capable de soutenir l’effort cognitif dans la durée. Ce que les observateurs du digital learning décrivent comme un retour de l’oralité augmentée — apprendre redeviendrait une conversation — pose une question qui n’est pas technologique mais relationnelle : quelle place donne-t-on à cette présence artificielle dans la relation apprenante ?

C’est précisément cette question qu’une équipe du MIT Media Lab a tenté de mesurer, plutôt que de la laisser au registre de l’opinion. Dans une étude intitulée Your Brain on ChatGPT, publiée sous forme de prépublication en juin 2025, Nataliya Kosmyna et ses collègues ont réparti 54 participants en trois groupes chargés de rédiger des dissertations : un groupe utilisant ChatGPT, un groupe utilisant un moteur de recherche classique, et un groupe sans aucun outil, muni d’un casque d’électroencéphalographie pour suivre l’activité cérébrale sur plusieurs dizaines de régions.

Les résultats sont nets et vont dans le même sens sur tous les indicateurs. La connectivité cérébrale diminue systématiquement avec le niveau de soutien externe : le groupe « cerveau seul » présente les réseaux neuronaux les plus forts et les plus étendus, le groupe « moteur de recherche » une activité intermédiaire, et le groupe « IA générative » le couplage le plus faible. Le déclaratif suit la même pente : le sentiment d’appropriation de son propre texte est le plus bas chez les utilisateurs de ChatGPT, et le plus élevé chez ceux qui ont écrit seuls.

Le détail le plus instructif de l’étude n’est pourtant pas dans la comparaison entre groupes, mais dans sa quatrième session, où les chercheurs ont inversé les conditions. Les participants qui avaient d’abord écrit sans aide puis basculaient vers l’IA conservaient un rappel mémoriel et une activation cérébrale plus larges que ceux qui avaient commencé directement avec l’IA avant de devoir écrire seuls. Autrement dit, l’assistance ne pénalise pas de la même façon selon qu’elle intervient après un effort de réflexion déjà engagé ou à la place de cet effort dès le départ.

Ce constat rejoint une autre étude, publiée en 2024 dans la revue Computers in Human Behavior par Stadler, Bannert et Sailer, qui pointait déjà un phénomène voisin chez des élèves engagés dans une démarche d’investigation scientifique assistée par IA générative : un confort cognitif réel, mais obtenu au prix d’une profondeur de raisonnement amoindrie. Le point commun des deux travaux n’est pas que l’IA générative serait néfaste par nature, mais qu’elle déplace l’effort — et que cet effort déplacé est précisément celui dont dépend la mémorisation à long terme.

Rien de tout cela ne condamne l’usage de l’IA en contexte pédagogique — les auteurs eux-mêmes le rappellent, et la prudence s’impose d’autant plus qu’il s’agit d’une étude de taille modeste, initialement diffusée sans relecture par les pairs. Mais le résultat rejoint un principe beaucoup plus ancien de la pédagogie, qui n’a pas attendu l’IA générative pour être formulé : c’est l’effort de récupération en mémoire — retrouver une information par soi-même plutôt que se la faire servir — qui construit l’apprentissage durable, pas la fluidité de la réponse reçue.

Ce revers documenté n’invalide pas la tendance de fond : l’IA continuera très probablement à occuper une place croissante dans l’expérience d’apprentissage. Mais il rappelle une exigence que le troisième article de ce dossier développe plus largement — celle d’un socle de sciences cognitives qui ne bouge pas au gré des innovations technologiques, et auquel chaque nouvel outil devrait être confronté avant d’être généralisé.

Le Conseil scientifique de l’éducation nationale (CSEN) n’est pas un cabinet de conseil ni un observatoire de tendances : c’est un organisme officiellement rattaché au ministre chargé de l’Éducation nationale, dont le fonctionnement vient d’être précisé par un décret du 3 juillet 2024. Il réunit 29 chercheurs — psychologie cognitive, sciences cognitives, mathématiques, informatique, économie expérimentale, linguistique, philosophie, sciences de l’éducation — sous la présidence de Stanislas Dehaene, titulaire de la chaire de psychologie cognitive expérimentale au Collège de France et directeur du centre de neuro-imagerie NeuroSpin. Sa mission : produire des synthèses de connaissances scientifiques destinées aux enseignants, aux décideurs et aux parents, sans jamais empiéter sur la décision politique elle-même.

Ce que ce corpus documente n’a, pour l’essentiel, rien de nouveau. Le plan de formation continue déployé par le réseau Canopé sur 2025-2026 en donne une bonne cartographie : neuromythes en classe, rôle des fonctions exécutives, mémoire et mémorisation, particularités du cerveau à l’adolescence, impact du feedback sur la réussite scolaire, métacognition comme levier d’autonomie. Ce sont des thèmes qui structurent la recherche en sciences cognitives de l’apprentissage depuis les années 1980 et 1990 — bien avant l’apparition du e-learning, a fortiori de l’IA générative.

La mémorisation illustre bien ce paradoxe. Les modules de formation qui promettent, en 2026, de « capter l’attention rapidement » et de « faciliter la mémorisation » par des capsules courtes redécouvrent, en creux, deux principes que la recherche en psychologie cognitive documente depuis longtemps : l’effet de test — le fait de devoir activement se rappeler une information renforce sa rétention bien plus efficacement que de la relire — et l’espacement des reprises dans le temps, plus efficace qu’un apprentissage massé en une seule session. Ces deux leviers n’ont rien d’un scoop technologique ; ils sont enseignés, sous leur nom scientifique, dans les modules de formation du CSEN et de Canopé destinés aux enseignants.

La métacognition — la capacité à observer et réguler son propre fonctionnement cognitif — occupe une place particulière dans ce corpus. Dès la création du CSEN, elle figurait, avec la confiance en soi, parmi ses cinq axes de travail fondateurs ; elle reste aujourd’hui un module à part entière du parcours Canopé, présenté comme « un levier pour l’autonomie dans les apprentissages ». C’est aussi, on l’a vu dans l’article précédent, la fonction cognitive que les études sur l’IA générative montrent le plus fragilisée par un usage mal séquencé des outils conversationnels — ce qui fait de la métacognition un point de jonction direct entre recherche fondamentale et usages numériques actuels.

Le CSEN insiste par ailleurs sur un point que les baromètres de tendances technologiques mentionnent rarement : l’importance de l’enseignement explicite, documentée par de nombreuses recherches auprès de publics et de contenus variés, et régulièrement mise en avant lors des conférences internationales de l’institution. Ce constat n’est pas nostalgique d’une pédagogie « à l’ancienne » : il s’appuie sur des comparaisons contrôlées, dans plusieurs disciplines, montrant qu’une guidance explicite reste plus efficace pour les apprentissages fondamentaux qu’une découverte laissée entièrement à l’initiative de l’élève.

Ce socle scientifique stable ne suffit pourtant pas à lui seul à dessiner l’avenir de l’apprentissage : il doit composer avec une dimension que la recherche cognitive individuelle capture mal, celle de la relation humaine dans laquelle tout apprentissage s’inscrit. C’est l’objet du quatrième article de ce dossier.

Le paradoxe mérite d’être posé clairement. Réalité virtuelle, agents pédagogiques dopés à l’IA, microlearning : les innovations technologiques de 2026 continuent de se multiplier. Mais les mêmes experts qui décrivent ces innovations concluent, de façon presque unanime, que sans interaction humaine, la motivation s’effrite rapidement. Ce n’est pas un vœu pieux isolé : c’est devenu un principe de conception. Certains organismes de formation à distance bâtissent désormais leur modèle pédagogique entier autour d’un double accompagnement — un interlocuteur référent issu du métier enseigné, associé à un coach chargé d’assurer la progressivité du parcours — davantage vécu comme un encadrement que comme une simple assistance.

Le même mouvement traverse la recherche sur le tutorat assisté par IA. Une étude en cours d’évaluation par les pairs en 2026, consacrée à l’amélioration du tutorat hybride humain-IA, aboutit à une conclusion cohérente avec celle du deuxième article de ce dossier : l’IA produit ses meilleurs résultats lorsqu’elle soutient les apprentissages sans remplacer le jugement pédagogique ni les interactions humaines. Concrètement, le tuteur humain reste celui qui interprète les difficultés propres à un élève, adapte ses stratégies d’enseignement, encourage la persévérance et construit la confiance — des fonctions qu’aucun modèle ne remplit à sa place, même lorsqu’il peut proposer des rétroactions immédiates ou des exercices adaptés entre deux séances.

Ce retour du lien ne se limite pas à la relation duale enseignant-élève. Les baromètres du secteur identifient les communautés apprenantes comme l’une des scènes centrales de l’apprentissage contemporain : des lieux où l’on acquiert certes des compétences, mais aussi des normes et une identité professionnelle. Apprendre ensemble n’y signifie plus seulement échanger des informations, mais partager des expériences, des doutes, des réussites, et construire un sentiment d’appartenance — synchrone ou asynchrone, mais toujours collectif.

Ce principe se vérifie aussi du côté des enseignants eux-mêmes, à travers le mentorat entre pairs. La littérature de recherche sur l’insertion professionnelle des enseignants débutants montre que le mentorat réduit l’isolement professionnel et facilite l’intégration des normes et de la culture d’un établissement — un enjeu loin d’être anecdotique quand on sait que deux enseignants sur cinq quittent le métier dans leurs cinq premières années. Le bénéfice, documenté dans plusieurs études qualitatives, n’est d’ailleurs pas à sens unique : les mentors eux-mêmes rapportent un enrichissement de leur pratique au contact des nouvelles recrues, notamment sur les outils technologiques et les approches pédagogiques récentes.

Ce qui distingue ce retour du lien humain d’une simple nostalgie, c’est qu’il s’articule très concrètement avec la personnalisation permise par le numérique, plutôt que de s’y opposer. L’enjeu n’est pas de choisir entre l’humain et la machine, mais de répartir les rôles : à l’algorithme la recommandation de contenu et l’adaptation du rythme, à l’humain l’interprétation des difficultés, l’encouragement et la construction de la confiance — deux fonctions que la recherche continue de distinguer nettement l’une de l’autre.

Cette répartition des rôles n’a toutefois de sens que si elle est accessible à tous de la même manière. C’est précisément ce que le dernier article de ce dossier vient interroger : le corpus qui annonce ce futur suppose des moyens — humains, matériels, financiers — qui ne sont pas répartis également selon les territoires et les établissements.

La dernière synthèse PISA de l’OCDE, publiée en 2025, confirme une nouvelle baisse des performances des élèves en lecture et en mathématiques dans les pays membres. Le paradoxe qu’elle met en lumière mérite d’être pris au sérieux : dans un monde qui promet chaque semaine que l’intelligence artificielle va transformer l’éducation, plus les machines deviennent capables de penser à notre place, plus il devient urgent d’apprendre aux enfants à penser par eux-mêmes. L’étude souligne d’ailleurs, sans surprise, que ceux qui déclarent ne pas utiliser l’IA viennent le plus souvent de milieux socio-économiques plus défavorisés — posant frontalement la question de la fracture numérique dans l’usage même de ces outils.

Cette fracture se lit d’abord dans l’accès brut aux outils. Selon une étude de 2024 relayée par plusieurs analyses du secteur, seulement 11 % des élèves français ont accès à des outils d’IA à l’école, contre 38 % en Allemagne et 20 % au Royaume-Uni — un écart qui ne tient à aucune différence de richesse nationale globale, mais à des choix d’équipement et de formation des enseignants très inégaux d’un système éducatif à l’autre.

À l’intérieur même du système français, cette fracture se recompose selon des lignes déjà anciennes. Selon la synthèse de la DEPP publiée en octobre 2025, 83 % des collèges classés en éducation prioritaire renforcée (REP+) accueillent une majorité d’élèves de milieu défavorisé, contre 32 % en REP, 2 % hors éducation prioritaire dans le public, et 0 % dans le secteur privé — une concentration qui se traduit dès l’entrée au cours préparatoire par des écarts de niveau mesurables. L’arrivée de l’IA générative dans le quotidien scolaire ne réduit pas ces écarts préexistants : elle tend plutôt à les redessiner selon des lignes de fracture déjà connues, qu’il s’agisse du territoire, du milieu social ou du genre — les filles ne représentent par exemple que 14,2 % des effectifs en spécialité sciences de l’ingénieur à la rentrée 2025.

Cette fracture n’est d’ailleurs pas propre à la France. Au Maroc, 92 % des jeunes urbains disposent d’un accès à internet via smartphone ou connexion fixe, contre 57 % seulement en zone rurale — et les chercheurs y observent qu’être connecté ne signifie pas savoir utiliser les outils numériques de manière autonome et pertinente : la connectivité ne suffit pas à elle seule à produire un bénéfice pédagogique réel. C’est précisément ce que confirme une étude publiée en février 2026 dans la revue Frontiers in Computer Science : au-delà de l’accès et des compétences d’usage, un troisième niveau d’inégalité apparaît avec l’IA générative, plus discret et plus difficile à corriger — celui des bénéfices réels tirés des outils, freinés par des biais linguistiques, culturels et algorithmiques intégrés au cœur même des systèmes.

Ce triple niveau d’inégalité — accès, compétences d’usage, bénéfice réel — explique pourquoi la plupart des mesures technologiques ne suffisent pas à elles seules à combler l’écart. Les leviers identifiés par les chercheurs vont dans une direction commune : des outils véritablement multilingues et adaptés aux réalités culturelles locales, des jeux de données d’entraînement diversifiés incluant des profils d’élèves variés, et une littératie numérique et critique face à l’IA intégrée aux programmes scolaires eux-mêmes, plutôt que laissée à l’initiative individuelle des familles les mieux équipées.

C’est sur ce constat que se referme ce premier dossier de la revue : le futur de l’apprentissage que le corpus actuel commence à dessiner n’est ni écrit d’avance, ni également partagé — il dépendra, pour une large part, des choix concrets faits dans chaque établissement, chaque territoire, dans les toutes prochaines années.

Un neuromythe est une croyance sur le cerveau et l’apprentissage qui a l’apparence de la science — un vocabulaire technique, une référence vague à des « études » — sans en avoir la rigueur. Le problème n’est pas anecdotique : plusieurs enquêtes menées auprès d’enseignants montrent que ces croyances restent largement répandues, y compris chez des professionnels par ailleurs formés et compétents, précisément parce qu’elles sont intuitives et se transmettent de collègue à collègue sans jamais être vérifiées.

Première question : cette affirmation simplifie-t-elle à l’extrême un fonctionnement en réalité distribué ? Le cerveau ne fonctionne quasiment jamais avec une seule zone dédiée à une seule fonction. L’idée d’un hémisphère « logique » et d’un hémisphère « créatif » qui s’activeraient séparément selon la tâche relève de cette simplification abusive : la plupart des activités cognitives mobilisent les deux hémisphères en interaction constante.

Deuxième question : cette affirmation propose-t-elle une catégorie fixe et binaire pour des personnes ? « Élève visuel » ou « élève auditif », comme s’il s’agissait de deux types étanches, est un classement qui n’a jamais été confirmé par les études qui ont cherché à vérifier si adapter l’enseignement au « style d’apprentissage » supposé d’un élève améliorait réellement ses résultats. Une préférence déclarée pour un support n’est pas la preuve d’une différence de fonctionnement cérébral.

Troisième question : l’affirmation vient-elle d’une étude identifiable, ou seulement d’une formule qui circule ? C’est le test le plus simple et le plus efficace : une affirmation solide peut généralement être reliée à une source précise — un chercheur, une équipe, une institution comme le CSEN. Une affirmation qui ne peut être rattachée qu’à « on dit que » ou à un post consulté sur un réseau social mérite, par principe, la prudence.

Le réflexe le plus utile face à une affirmation sur le cerveau et l’apprentissage n’est donc pas de la croire ou de la rejeter d’instinct, mais de se demander si elle décrit un mécanisme distribué de façon binaire, si elle enferme les élèves dans une catégorie fixe, et si elle peut être rattachée à une source identifiable.

1. Confronter avant d’expliquer. Plutôt que de commencer par exposer la notion, une séance active démarre par une situation, une question ou un problème concret qui met l’apprenant face à ce qu’il ne sait pas encore faire — une mise en tension qui rend l’explication qui suit beaucoup plus utile, parce qu’elle répond à un manque déjà ressenti plutôt qu’à une question qui n’a pas encore été posée.

2. Laisser un temps de recherche ou d’essai, même imparfait. Avant toute correction, l’apprenant (seul ou en petit groupe) tente une réponse, une hypothèse, un brouillon de solution. Le contenu de cette tentative importe moins que l’activité cognitive qu’elle déclenche : chercher, même se tromper, engage davantage que d’écouter une réponse déjà prête.

3. Structurer et institutionnaliser le savoir. C’est l’étape où l’enseignant reprend la main explicitement, en confrontant les productions des apprenants au savoir de référence, en nommant précisément ce qui a été découvert, en corrigeant les erreurs typiques observées pendant la phase de recherche. C’est aussi l’étape la plus souvent négligée dans les mises en œuvre approximatives de la pédagogie active : sans cette structuration explicite, l’apprenant reste avec des intuitions, pas avec un savoir stabilisé.

4. Faire réinvestir, dans un contexte différent du premier. Une compétence qui n’a été mobilisée que dans le contexte précis où elle a été apprise reste fragile. Proposer une nouvelle situation, légèrement différente de la première, est ce qui permet de vérifier — et de consolider — que la notion a vraiment été comprise, et pas seulement retenue pour ce cas précis.

Ce déroulé en quatre temps est précisément ce qui distingue une pédagogie active bien conduite d’une simple animation ludique : l’activité de l’élève est un moyen au service d’un savoir clairement nommé à la fin, pas une fin en soi.

1. Chercher seul avant de demander. Face à un exercice ou une question de cours, se donner un vrai temps de recherche personnelle — même s’il n’aboutit qu’à une réponse partielle ou fausse — avant d’ouvrir un assistant IA. C’est cet effort initial, pas la qualité de la réponse obtenue ensuite, qui construit la mémorisation durable.

2. Utiliser l’IA pour vérifier, pas pour produire. Demander « est-ce que mon raisonnement est correct, et pourquoi » donne un usage très différent de demander directement « donne-moi la réponse ». Le premier réflexe garde l’effort de construction du côté de l’élève ; le second le transfère entièrement à l’outil.

3. Reformuler la réponse de l’IA avec ses propres mots, sans la recopier. Une explication reçue reste une information passive tant qu’elle n’a pas été reformulée activement. Fermer la conversation et réexpliquer à voix haute, ou par écrit, ce que l’IA vient d’apporter est ce qui transforme une réponse consultée en connaissance retenue.

Un signal d’alerte à connaître : si, après avoir utilisé l’IA sur un exercice, il devient impossible de refaire le même exercice sans elle quelques jours plus tard, c’est le signe que l’assistance est intervenue trop tôt dans le processus — avant l’effort de réflexion, plutôt qu’après.

Ce repère ne remplace pas un jugement au cas par cas — un exercice de simple application n’a pas les mêmes enjeux qu’une dissertation de fond — mais il donne un réflexe simple à appliquer par défaut, quel que soit l’outil ou la matière concernés.

La Finlande reste l’exemple le plus cité dans les débats pédagogiques francophones, souvent érigé en modèle d’une école qui aurait renoncé aux tests standardisés et à la compétition. La réalité, documentée par les analystes de l’OCDE, est plus nuancée : le pays construit sa réussite sur l’égalité d’accès, l’autonomie pédagogique laissée aux enseignants — un corps professoral qui jouit d’un statut social élevé, recruté de façon sélective — et une attention précoce portée aux premiers signes de difficulté scolaire, plutôt que sur l’absence totale d’évaluation. L’accent est mis sur l’apprentissage par projet et la créativité, avec un très faible taux de redoublement.

Singapour incarne une philosophie presque opposée : rigueur académique affirmée, apprentissage hybride combinant présentiel et outils numériques à toutes les étapes du parcours, et surtout une orientation professionnelle introduite dès le secondaire — une approche que les analystes qualifient d’« holistique » précisément parce qu’elle articule étroitement compréhension approfondie des matières et préparation au marché du travail. Le pays investit massivement dans son système éducatif et se classe très régulièrement en tête ou tout près de la tête des classements PISA, une position confirmée par l’édition 2025.

Ce qui frappe, en creusant au-delà des classements, c’est que ces deux modèles opposés convergent malgré tout sur un point que la recherche identifie comme déterminant : dans les deux pays, la formation continue des enseignants et l’innovation pédagogique ne restent pas de simples éléments de discours, mais des engagements réels et documentés, associés à un suivi précoce des élèves en difficulté — quelle que soit, par ailleurs, la philosophie éducative globale du pays.