Projet Doctoral • Laboratoire ADEF & GTNUM #AppropIA
Dynamiques d'appropriation de l'Intelligence Artificielle Générative
Transformation des pratiques professionnelles chez les enseignants du primaire
Doctorant : H. Allesant | Encadrement : I. Badache & M. Impedovo
AI-TPACK
Appropriation
Enseignants du primaire
Pratiques pédagogiques
Intégration de l’IA
Gestes professionnels
École primaire
Contexte et problématisation
L’usage de l’Intelligence Artificielle Générative (IAG) dans le champ éducatif occupe désormais une place centrale dans les débats scientifiques et institutionnels. Tandis que l’UNESCO (2024) préconise une intégration éthique et centrée sur l’humain, le cadre d’usage publié par le ministère de l’Éducation nationale (MEN, 2025) alerte sur les risques liés à une exposition précoce des élèves aux grands modèles de langage (LLM).
17 %
des professeurs des écoles déclarent utiliser une IAG dans le cadre professionnel (Trestini & Zeyringer, 2026).
16,1 %
des enseignants du premier degré se sentent préparés à l’usage des TICE (DEPP, 2022).
34 %
seulement déclarent avoir abordé l’IA au cours de leur formation initiale (DEPP, 2025).
La diffusion rapide de l’IAG dans les sphères domestiques et scolaires crée une tension entre pratiques sociales effectives et préparation institutionnelle. Les dispositifs émergents prennent encore peu en compte les spécificités du premier degré : polyvalence disciplinaire des enseignants, place centrale du développement global de l’enfant et contraintes organisationnelles propres. Inscrit dans la dynamique du GTNUM #AppropIA, ce projet interroge les processus d’appropriation professionnelle et critique de l’IAG chez les professeurs des écoles.
Cadre théorique : articuler savoirs déclarés et activité située
Ce projet doctoral dépasse une approche strictement déclarative des compétences numériques en articulant trois piliers complémentaires pour analyser la transformation réelle des pratiques professionnelles :
1. Genèse instrumentale (Rabardel, 1995)
Analyse du passage de l’artefact technique (l’outil d’IAG) à l’instrument professionnel intégré à l’action pédagogique via deux processus :
Instrumentalisation : transformation et adaptation de l’artefact par l’enseignant (paramétrages, détournements, scénarisation).
Instrumentation : évolution des schèmes d’action, des routines et des modes de décision de l’enseignant au contact de l’outil.
2. Modèle AI-TPACK (Celik, 2023)
Caractérisation des connaissances professionnelles déclarées à l’intersection des dimensions technologique, pédagogique et disciplinaire :
Cartographie du niveau de maîtrise perçu et des besoins de formation.
Mise en tension entre compétences perçues (AI-TPACK) et pratiques effectives observées en classe.
3. Posture de recherche-action collaborative
Face à l’évolution rapide des outils d’IAG, la recherche collaborative accompagne les enseignants dans des expérimentations outillées. Elle déplace la posture de l’enseignant d’usager d’outils prescrits vers celle de co-chercheur de sa propre pratique, favorisant la réflexivité professionnelle et l’évaluation de l’acceptabilité technologique.
Questions et hypothèses de recherche
Question principale : Comment les enseignants du premier degré s’approprient-ils l’Intelligence Artificielle Générative dans leurs pratiques pédagogiques, et selon quelles dynamiques de genèse instrumentale cette appropriation se construit-elle ?
Sous-questions de recherche
Dans quelle mesure les enseignants du premier degré connaissent-ils les fonctionnalités, limites et biais des outils d’IAG, et comment cette maîtrise influence-t-elle la diversité et la contextualisation de leurs usages pédagogiques ?
Comment l’intégration explicite de l’IAG dans les pratiques pédagogiques se traduit-elle dans les gestes professionnels et les situations d’apprentissage, et dans quelle mesure cela reflète-t-il un processus avancé de genèse instrumentale ?
Comment les enseignants articulent-ils les dimensions technologique, pédagogique et disciplinaire de l’IAG (AI-TPACK intégré), et quels effets cette articulation a-t-elle sur la structuration, la réflexivité et l’ajustement professionnel de leurs pratiques en classe ?
Hypothèses de recherche
Hypothèse H1
Maîtrise technologique et genèse instrumentale
Un niveau élevé de connaissances technologiques déclarées (AI-TK : fonctionnalités, limites, biais) favorise des processus d’instrumentalisation plus diversifiés et situés, menant à des usages moins standardisés et mieux adaptés à la classe.
Hypothèse H2
Intégration pédagogique et appropriation
Un niveau élevé d’intégration pédagogique (AI-TPK) est associé à une genèse instrumentale avancée, marquée par une forte cohérence entre objectifs d’apprentissage, gestes professionnels et modalités d’usage de l’IAG.
Hypothèse H3
Articulation AI-TPACK équilibrée
L’articulation équilibrée des dimensions technologique, pédagogique et disciplinaire (AI-TPACK intégré) se traduit par des pratiques plus structurées et réflexives, révélant une instrumentation aboutie en classe.
Méthodologie mixte et Design-Based Research
Le projet mobilise une méthodologie mixte (Creswell, 2014) inscrite dans une démarche de Design-Based Research (DBR) collaborative reposant sur des cycles itératifs (planifier – agir – observer – réfléchir).
Dispositifs de collecte de données
Questionnaire AI-TPACK : basé sur l’Intelligent-TPACK Scale pour mesurer les compétences déclarées.
Ateliers de co-conception & « vibecoding » : création de ressources et micro-outils didactiques en situation authentique.
Observations & autoconfrontations : analyse fine des gestes professionnels en classe.
Entretiens semi-directifs & Focus groups : freins perçus, régulations éthiques et normes collectives.
Analyse de traces d’activité : prompts, itérations et scénarios produits.
Population et terrain d'enquête
Terrain : Circonscriptions de Marseille St Barnabé et Marseille Huveaune.
Partenariats : DRANE PACA (participation au kit IA 1er degré) et Mission numérique 13.
Échantillonnage raisonné : enseignants des cycles 2 et 3 (contextes urbain, rural et éducation prioritaire).
Cadre éthique strict : observation contextualisée (élèves de 6 à 11 ans) avec anonymisation et protection absolue des données.
Planning doctoral prévisionnel (36 mois)
Calendrier structuré sur 3 ans, adaptable aux modalités d’un travail doctoral réalisé en cours d’emploi :
Année 1
Cadrage & préparation
Revue de littérature (IAG, AI-TPACK, genèse instrumentale, DBR)
Stabilisation des questions et hypothèses
Conception et pré-test des outils (questionnaire, grilles)
Démarches éthiques et constitution du terrain
Premières collectes exploratoires
Année 2
Déploiement & collecte
Cycles de Design-Based Research (ateliers de co-conception)
Passation des questionnaires pré/post
Observations en classe, entretiens et autoconfrontations
Focus groups et recueil des traces (prompts, scénarios)
Analyses intermédiaires et valorisation
Année 3
Analyses & rédaction
Analyses croisées quantitatives et qualitatives
Modélisation des dynamiques d’appropriation
Recommandations pour la formation des enseignants
Rédaction de la thèse et soumissions d’articles
Préparation et soutenance
Publications et productions scientifiques
Travaux menés dans le cadre du projet doctoral avec l’équipe d’encadrement :
Article | Workshop IA-EDU@CORIA-TALN2025
Découverte de l'intelligence artificielle par des directeurs et directrices d'école primaire : une étude de cas dans deux circonscriptions marseillaises
Consulter la bibliographie de référence du projet doctoral (25 références)
Allesant, H., Badache, I., & Impedovo, M. (2025). Découverte de l’intelligence artificielle par des directeurs et directrices d’école primaire: une étude de cas dans deux circonscriptions marseillaises. In Actes de l'atelier Intelligence Artificielle générative et ÉDUcation: Enjeux, Défis et Perspectives de Recherche 2025 (IA-ÉDU) (pp. 21-28).
Allesant, H. (2026) Développer la littéracie à l’intelligence artificielle à l’école primaire : Apprentissages fondamentaux,pratiques enseignantes et défis d’appropriation. RJC-EIAH 2026
Allesant H. (2026) Développer la littéracie à l'intelligence artificielle à l'école primaire. Poster accepté au Colloque AFEVO 2026, Marseille, France.
Badache, I., & Bellet, P. (2024). Intelligence artificielle : usage pédagogique et esprit critique. Dans 16ème édition du colloque Interactions Multimodales Par ÉCran, IMPEC 2024
Allouche, E. (2023). IA génératives et ingénierie pédagogique : le prompting, pistes de travail et applications. Éducation, numérique et recherche. Lien
Allouche, E. (2025). Intelligence artificielle et éducation : apports de la recherche et enjeux pour les politiques publiques. Éducation, numérique et recherche. Lien
Almatrafi, O., Johri, A., & Lee, H. (2024). A systematic review of AI literacy conceptualization, constructs, and implementation and assessment efforts (2019-2023). Computers and Education Open, 6, 100173.
Badache, I., & Bellet, P. (2024). Intelligence artificielle : usage pédagogique et esprit critique. Colloque IMPEC 2024. HAL
Celik, I. (2023). Towards Intelligent-TPACK: An empirical study on teachers' professional knowledge to ethically integrate artificial intelligence (AI)-based tools into education. Computers in Human Behavior, 138, 107468.
Chen, J., & Kouhsari, M. (2026). How school support and teacher perception affect teachers’ technology integration: A TPACK and collaborative learning perspective. Teaching and Teacher Education, 169, 105270.
Chiu, T. K., Ahmad, Z., Ismailov, M., & Sanusi, I. T. (2024). What are artificial intelligence literacy and competency? A comprehensive framework to support them. Computers and Education Open, 6, 100171.
Creswell, J. W. (2014). Research design: Qualitative, quantitative, and mixed methods approaches (4th ed.). SAGE Publications.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 319-340.
DEPP. (2022). Repères et références statistiques sur les enseignements, la formation et la recherche. Ministère de l'Éducation nationale.
DEPP. (2025). Note d'information sur la formation initiale des enseignants. Ministère de l'Éducation nationale.
Luckin, R., & Holmes, W. (2016). Intelligence unleashed: An argument for AI in education. UCL Knowledge Lab.
MEN. (2025). Cadre d'usage de l'IA en éducation. Ministère de l'Éducation nationale.
Nouali, S., Badache, I., & Bellot, P. (2025). Exploration du RAG pour la génération de réponses à des questions en contexte éducatif: étude sur les données SCIQ. In Actes de l'atelier Intelligence Artificielle générative et ÉDUcation: Enjeux, Défis et Perspectives de Recherche 2025 (IA-ÉDU) (pp. 29-41).
Ning, Y., Zhang, C., Xu, B., Zhou, Y., & Wijaya, T. T. (2024). Teachers’ AI-TPACK: Exploring the Relationship between Knowledge Elements. Sustainability, 16, 978.
OCDE. (2025). Empowering learners for the age of AI: An AI literacy framework for primary and secondary education. OCDE Paris.
Rabardel, P. (1995). Les hommes et les technologies ; approche cognitive des instruments contemporains. Armand Colin.
Romero, M., et al. (2023). Enseigner et apprendre à l’ère de l’intelligence artificielle. Acculturation, intégration et usages créatifs de l’intelligence artificielle en éducation.
Romero, M. (2024). Supporting teachers to design Artificial Intelligence-Enhanced Learning Activities.
Sun, Y., Sheng, D., Zhou, Z., & Wu, Y. (2024). AI hallucination: towards a comprehensive classification of distorted information in artificial intelligence-generated content. Humanities and Social Sciences Communications, 11(1), 1-14.
Trestini, M., & Zeyringer, M. (2026). Les professeurs des écoles en France et l'intelligence artificielle : y a-t-il une influence d'ordre éthique sur les intentions d'usage et l'utilisation effective ? STICEF, 33(1).
Tricot, A., et al. (2003). Utilité, utilisabilité, acceptabilité : interpréter les relations entre trois dimensions de l'évaluation des EIAH. EIAH 2003 (pp. 391-402).
UNESCO. (2024). Orientations pour l’intelligence artificielle générative dans l’éducation et la recherche.
Wang, X., & Fan, J. (2025). The Effect of ChatGPT on Students’ Learning Performance, Learning Perception, and Higher-Order Thinking: Insights from a Meta-Analysis. Humanities and Social Sciences Communications, 12, 621.
Yim, I. H. Y. (2023). Design of artificial intelligence (AI) education for primary schools: arts-based approach. ISTE Books.
